Στοχαστική οπτική παρακολούθηση αντικειμένου

Ζαμπογιάννης, Κωνσταντίνος; Zampogiannis, Konstantinos

dc.contributor.author	Ζαμπογιάννης, Κωνσταντίνος	el
dc.contributor.author	Zampogiannis, Konstantinos	en
dc.date.accessioned	2015-03-23T14:23:04Z
dc.date.available	2015-03-23T14:23:04Z
dc.date.issued	2015-03-23
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/40483
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.9382
dc.rights	Default License
dc.subject	Παρακολούθηση αντικειμένου	el
dc.subject	Μπεϋζιανό φίλτρο	el
dc.subject	Φίλτρο σωματίων	el
dc.subject	Φίλτρο Kalman	el
dc.subject	Στατιστικά μοντέλα χρώματος	el
dc.subject	Κατάτμηση εικόνας	el
dc.subject	Εκτίμηση κίνησης	el
dc.subject	Οπτική ροή	el
dc.subject	Object tracking	en
dc.subject	Bayesian filtering	el
dc.subject	Particle filter	el
dc.subject	Kalman filter	el
dc.subject	Statistical color model	el
dc.subject	Image segmentation	el
dc.subject	Motion estimation	el
dc.subject	Optical flow	el
dc.title	Στοχαστική οπτική παρακολούθηση αντικειμένου	el
dc.title	Stochastic object tracking	en
heal.type	bachelorThesis
heal.classification	Όραση υπολογιστών	el
heal.classification	Computer vision	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2014-09-25
heal.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.	el
heal.abstract	Visual tracking is a problem of major practical interest within the area of Computer Vision and a field of active study. The goal of tracking is the spatial localization of one or more moving objects, at any given time in a video sequence, in either the 3D space of the visible scene or the image plane. Systems that implement visual tracking algorithms are widely used in surveillance, action recognition, automatic navigation and human-computer interface (HCI) applications. In this work, after a brief review of the tracking literature, we develop a sequential, two dimensional, single object tracking method, which is formulated in the Bayesian filtering framework and relies on color and motion features of the input video sequence. For completeness purposes, we dedicate a significant portion of this work to the theoretical background review of each of these individual subjects (statistical color modeling and color-based image segmentation, motion estimation and optical flow, Bayesian tracking). Our proposed method implements an SIR Particle Filter with a transition model of a predetermined functional form, whose parameters are estimated online, at runtime, from color and motion image data. The adoption of a partly data-driven dynamical model results in a more efficient state space search, as most of the generated hypotheses are considered to be more probable a priori. This enables the convergence of the particle set approximation toward the true posterior using less particles and renders the adoption of a carefully crafted observation model unnecessary. Our algorithm is also able to automatically detect, at runtime, situations where tracking can be safely performed using only the object color segmetation of the current frame, in which case the transition model is adapted accordingly. For comparison reasons, we also implement a Kalman filter tracker that uses the same type of image features. Our method assumes manual initialization of the tracking process and the prior knowledge of a color model for the tracked object, while making no restricting assumptions about the allowed motion types of the latter. Our experimental evaluation on video sequences of varying tracking difficulty levels confirms that our method is general enough in its assumptions and can be successfully applied to a range of scenarios. In addition, Particle Filter tracking is shown to consistently produce more accurate results compared to our reference Kalman filter implementation, as suggested by all the evaluation metrics we consider, even when a small number of particles is used.	en
heal.advisorName	Μαραγκός, Πέτρος	el
heal.committeeMemberName	Τζαφέστας, Κωνσταντίνος	el
heal.committeeMemberName	Ποταμιάνος, Γεράσιμος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	156 σ.
heal.fullTextAvailability	true