Στοχαστική Οπτική Παρακολούθηση Αντικειμένου

Abstract

Η οπτική παρακολούθηση αποτελεί ένα από τα μεγαλύτερου πρακτικού ενδιαφέροντος προβλήματα του επιστημονικού πεδίου της Όρασης Υπολογιστών και αντικείμενο εντατικής έρευνας.Στόχος της παρακολούθησης είναι ο χωρικός εντοπισμός, σε κάθε χρονική στιγμή μιας ακολουθίας βίντεο, ενός ή περισσότερων κινούμενων αντικειμένων, είτε στον τρισδιάστατο χώρο της ορατής σκηνής είτε στο επίπεδο της εικόνας.Συστήματα που υλοποιούν αλγορίθμους οπτικής παρακολούθησης χρησιμοποιούνται ευρέως σε εφαρμογές επιτήρησης, αναγνώρισης ενεργειών, αυτόματης πλοήγησης και διεπαφών ανθρώπου-μηχανής (HCI).Στην παρούσα εργασία, κατόπιν επισκόπησης μέρους της σχετικής βιβλιογραφίας, αναπτύσσουμε μια ακολουθιακή μέθοδο δισδιάστατης παρακολούθησης ενός αντικειμένου, η οποία εντάσσεται στο θεωρητικό πλαίσιο του Bayesian filtering και χρησιμοποιεί χαρακτηριστικά χρώματος και κίνησης της ακολουθίας εικόνων εισόδου.Για το λόγο αυτό, σημαντικό μέρος της εργασίας αφιερώνεται στην επισκόπηση του θεωρητικού υποβάθρου για κάθε ένα από αυτά τα επιμέρους θέματα (στατιστική μοντελοποίηση χρώματος και κατάτμηση εικόνων με βάση αυτό, εκτίμηση κίνησης και οπτική ροή, Μπεϋζιανή παρακολούθηση).Η μέθοδος που προτείνουμε υλοποιεί ένα SIR Particle Filter, το μοντέλο μετάβασης του οποίου έχει μια προκαθορισμένη συναρτησιακή μορφή και οι παράμετροί του εκτιμούνται στο χρόνο εκτέλεσης (online), από δεδομένα χρώματος και κίνησης.Η θεώρηση ενός προσαρμοστικού στα δεδομένα εικόνας δυναμικού μοντέλου καθοδηγεί αποδοτικά την αναζήτηση στο χώρο των καταστάσεων, καθώς εξετάζονται κατά κύριο λόγο υποθέσεις που θεωρούνται εκ των προτέρων περισσότερο πιθανές.Το γεγονός αυτό έχει ως συνέπειες τη σύγκλιση στην υπό εκτίμηση ύστερη πυκνότητα με μικρότερο πλήθος σωματίων και την μη απαίτηση ενός ιδιαίτερα εκλεπτυσμένου μοντέλου παρατήρησης.Επιπλέον, ο αλγόριθμός μας ανιχνεύει αυτόματα, στο χρόνο εκτέλεσης, περιπτώσεις όπου η παρακολούθηση μπορεί να γίνει με ασφάλεια με βάση μόνο τη χρωματική κατάτμηση του τρέχοντος πλαισίου και προσαρμόζει κατάλληλα το μοντέλο μετάβασης.Για λόγους σύγκρισης, υλοποιείται και ένας αντίστοιχος αλγόριθμος που βασίζεται στο φίλτρο Kalman και χρησιμοποιεί τα ίδια χαρακτηριστικά εικόνας.Η εφαρμογή της μεθόδου μας προϋποθέτει χειροκίνητη αρχικοποίηση της διαδικασίας και γνώση ενός χρωματικού μοντέλου για το υπό παρακολούθηση αντικείμενο, ενώ δεν πραγματοποιούνται περιοριστικές υποθέσεις για το είδος και την κίνηση του τελευταίου.Η πειραματική αξιολόγηση του αλγορίθμου μας πάνω σε πολλαπλών επιπέδων δυσκολίας ακολουθίες βίντεο επιβεβαιώνει ότι η μέθοδός μας είναι αρκετά γενική και μπορεί να εφαρμοστεί με επιτυχία σε ένα εύρος εφαρμογών.Επιπλέον, η παρακολούθηση με Particle Filter δίνει συστηματικά καλύτερα αποτελέσματα από την εφαρμογή του φίλτρου Kalman, για όλα τα θεωρούμενα μετρικά αξιολόγησης, ακόμα και για μικρές τιμές του πλήθους των σωματίων που χρησιμοποιεί.