Mozg - PowerPoint PPT Presentation

About This Presentation
Title:

Mozg

Description:

Mozg Objektumok Detekt l sa s K vet se Robotkamera Seg ts g vel Horv th P ter T mavezet : Dr. Kat Zolt n – PowerPoint PPT presentation

Number of Views:90
Avg rating:3.0/5.0
Slides: 24
Provided by: HP89301
Category:

less

Transcript and Presenter's Notes

Title: Mozg


1
Mozgó Objektumok Detektálása és
KövetéseRobotkamera Segítségével
  • Horváth Péter
  • Témavezeto Dr. Kató Zoltán

2
(No Transcript)
3
Összefoglalás
  • gyors módszer optical flow real-time
    meghatározására
  • mozgó objektumok követése Gaussian Mixture modell
    és Expectation Maximization segítségével
  • robotkamera bemutatása (mechanikai, elektronikai
    felépítése, vezérloprogram)
  • kísérleti eredmények bemutatása
  • a robotkamera tesztje

4
Optical Flow
Az optical flow field egy olyan vektormezo, mely
megmutatja, hogy egy képkocka pixelei milyen
irányban és mennyire mozdultak el.
5
Maximálisan egy pixel nagyságú mozgások
meghatározása
  • Futásido ?(NM)
  • Segítségével lehetové vált a real-time
    implementáció
  • Kísérleteink alapján legjobbnak a következo
    módszer bizonyult
  • Környezet vizsgálata normális eloszlás
    suruségfüggvényével súlyozva

6
Gauss-piramis felépítése, méretének meghatározása
Ha a kép méretét felére csökkentjük a mozgások is
felére csökkennek, ezt folytatva az x. muvelet
után a mozgások nagysága 2x-edére csökken.
7
Visszafelé dolgozó stratégia
  • A piramis legfelso szintjén meghatározzuk a
    maximum 1 pixel nagyságú mozgásokat majd egy
    szinttel lejjebb ugrunk, itt a (2i, 2j), (2i1,
    2j), (2i, 2j1) és (2i1, 2j1) vektorok
    megkapják az elozo szint (i, j) vektor értékétnek
    kétszeresét.
  • Ezen becslés után egy finomító lépés következik.

8
Optical Flow becslése összefoglalás
  • Az Optical Flow meghatározása
  • 2 szekvencia kiválasztása
  • Gauss-piramis elkészítése a két képbol
  • A felso szinten maximálisan 1 pixel nagyságú
    mozgások meghatározása.
  • Egy szinttel alacsonyabban lévo Optical Flow
    vektorok meghatározása
  • Vektorok duplázása
  • Finomítás
  • GOTO 4 ha nem értük el a piramis alsó szintjét
  • Megjegyzés Ha a gyakorlati alkalmazásban
    elegendo pontosságú a becsült Optical Flow, akkor
    ezen még javíthatunk egy opcionális ponttal, ha a
    Finomítás után egy simítást végzünk a vektormezon.

9
Összefoglalás
  • gyors módszer optical flow real-time
    meghatározására
  • mozgó objektumok követése Gaussian Mixture modell
    és Expectation Maximization segítségével
  • robotkamera bemutatása (mechanikai, elektronikai
    felépítése, vezérloprogram)
  • kísérleti eredmények bemutatása
  • a robotkamera tesztje

10
Mozgó objektumok követése
Cél Adott referenciaobjektum követése
11
HSV, LUV színterek, 2D hisztogram
  • RGB nem használható megfeleloen
  • HSV, LUV, van egy komponens a fényeronek
  • Ezt a komponenst elhagyva egy fényre invariáns 2D
    színteret kapunk.
  • 2D hisztogram készítése
  • HSV gyors, de nem lineáris a transzformáció
  • LUV az emberi szem színtávolság érzetét jól
    közelíti, lassú nem lineáris transzformáció a
    hatványozás miatt

12
Expectation Maximization
  • ismeretlen eloszlás
  • Gauss-eloszlások segítségével közelítjük
  • Expectation Maximization
  • Dempster et al. 1977

13
Expectation Maximization
Várható értékek, valószínuségek (m4 esetén) ?
p(j) (101.771 , 191.155) 0.182 (94.391 ,
66.803) 0.267 (76.129 , 43.870) 0.231 (173.542 ,
82.745) 0.319
14
Gaussian Mixture Model
Jelölje ? a követendo objektumot mely
hisztogramjának suruségét EM-el becsültük. ?
legyen egy tetszoleges pont melynek ismert a
színe. Annak a valószínusége, hogy a ? pixel az O
objektumhoz tartozik , ahol P(j) a j.
komponens valószínusége. Természetesen
Annak a valószínusége pedig, hogy a ?-t
a j. komponens tartalmazza
15
Az objektum lokalizálása
  • Az objektum a t-1. képkockán Lt-1 középpontban
    St-1 méretu bounding-box-szal (befoglaló
    téglalap)
  • A t. képkocka az Lt
  • Ebbol a St
  • Küszöbölés

16
Összefoglalás
  • gyors módszer optical flow real-time
    meghatározására
  • mozgó objektumok követése Gaussian Mixture modell
    és Expectation Maximization segítségével
  • robotkamera bemutatása (mechanikai, elektronikai
    felépítése, vezérloprogram)
  • kísérleti eredmények bemutatása
  • a robotkamera tesztje

17
A robotkamera
18
A robotkamera felépítése
mozgatás léptetomotorok
kommunikáció PC párhuzamos port
saját mikroprocesszor (PIC16C84)
19
Összefoglalás
  • gyors módszer optical flow real-time
    meghatározására
  • mozgó objektumok követése Gaussian Mixture modell
    és Expectation Maximization segítségével
  • robotkamera bemutatása (mechanikai, elektronikai
    felépítése, vezérloprogram)
  • kísérleti eredmények bemutatása
  • a robotkamera tesztje

20
Kísérleti eredmények optical flow
21
Kísérleti eredmények
22
Összefoglalás
  • gyors módszer optical flow real-time
    meghatározására
  • mozgó objektumok követése Gaussian Mixture modell
    és Expectation Maximization segítségével
  • robotkamera bemutatása (mechanikai, elektronikai
    felépítése, vezérloprogram)
  • kísérleti eredmények bemutatása
  • a robotkamera tesztje

23
Vége Köszönöm a figyelmet!
Write a Comment
User Comments (0)
About PowerShow.com