Multiple camera tracking of interacting and occluded human motion
This presentation is the property of its rightful owner.
Sponsored Links
1 / 37

Multiple Camera Tracking of Interacting and Occluded Human Motion PowerPoint PPT Presentation


  • 78 Views
  • Uploaded on
  • Presentation posted in: General

Multiple Camera Tracking of Interacting and Occluded Human Motion. SHILOH L. DOCKSTADER, STUDENT MEMBER, IEEE, AND A. MURAT TEKALP, SENIOR MEMBER, IEEE PROCEEDINGS OF THE IEEE, VOL. 89, NO. 10, OCTOBER 2001. Estructura del sistema. Tracking monocular: filtro predictor-corrector 2D.

Download Presentation

Multiple Camera Tracking of Interacting and Occluded Human Motion

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Multiple camera tracking of interacting and occluded human motion

Multiple Camera Tracking of Interacting andOccluded Human Motion

SHILOH L. DOCKSTADER, STUDENT MEMBER, IEEE, AND A. MURAT TEKALP, SENIOR MEMBER, IEEE

PROCEEDINGS OF THE IEEE, VOL. 89, NO. 10, OCTOBER 2001


Estructura del sistema

Estructura del sistema

  • Tracking monocular: filtro predictor-corrector 2D.

  • Fusión de vistas

  • Filtro de kalman para trayectorias 3D


Tracking 2d

Tracking 2D

  • Substracción del fondo

  • Estimación “sparse” del movimiento

    • Estado : coordenadas de las features

  • Clustering de la regiones foreground


Caracter sticas

características

Características 2D: posiciones de ptos

Vector de estado 3D

Caracteristica 3D


Tracking 2d1

Tracking 2D

  • Tomamos las observaciones

  • Junto con las estimaciones 3D

  • Obtenemos una estimación del estado

  • Con confianza


Fusion red bayesiana

Fusion, red bayesiana

  • Toma las estimaciones de los estados en cada vista

  • La salida son

  • Que maximizan la distribución conjunta

  • Con un estimador de la covarianza del ruido


Seguimiento 3d

Seguimiento 3D

  • La salida de la red bayesiana es la entrada a este módulo

  • La salida es la predicción corregida del estado 3D

  • La predicción 3D se proyecta para obtener predicciones en las vistas 2D


Implementaci n

Implementación

  • Cada cámara tiene un procesador dedicado que realiza el tracking 2D y la proyección de las coordenadas 3D para continuar la estimación.

  • La red bayesiana y el filtro de Kalman 3D están en un procesador dedicado.


Seguimiento 2d

Seguimiento 2D

  • Todas las ecuaciones se refieren a una vista en una cámara

  • Se asume una detección de movimiento sparse sobre una malla de puntos

  • Primer paso: predicción del estado 2D en base a la información 3D


Multiple camera tracking of interacting and occluded human motion

  • Matriz de transición 3D

  • Matriz de proyección de una cámara

  • Estimación del error proyectando el error 3D

  • Proyección del error 3D

  • Cálculo de la matriz de ganancia

    • Depende de

    • Y una matriz de covarianza del ruido


Clases de correspondencias

Clases de correspondencias

  • Clase A: el elemento es visible en la trama presente y pasada y existe una fuerte correlación temporal.

  • Clase B: El elemento es visible en la trama anterior y la correspondencia temporal es débil. No se espera encontrar la cosa.

  • Clase C: el objeto no es visible en la trama anterior.


Multiple camera tracking of interacting and occluded human motion

  • Vector de movimiento en torno a una característica con origen

  • conjuntos de puntos de cada clase

  • La matriz de ganancia se construye


Multiple camera tracking of interacting and occluded human motion

Observaciones (ver figura 2)


Comentarios

comentarios

  • Una característica completamente visible tiene tratamiento normal.

  • Para las características ocluidas se desarrolla un algoritmo de minimos cuadrados que estima su posición.


Multiple camera tracking of interacting and occluded human motion

op

  • Estimacion del estado 2D mediante el filtro de kalmann


Integraci n espacial

Integración espacial

Variables aleatorias de media cero.

D.d.p de los estados

Cjto de variables usadas en caso de oclusión


Integraci n espacial1

Integración espacial

La red bayesiana estima la posición resolviendo:

Se puede descomponer la ddp a posteriori de varias maneras

Ruido de reconstruccion 3D

Ruido de observación.

Los demas tienen el significado de reconstrucciones parciales


Integracion espacial

Integracion espacial

Caso extremo: fuentes independientes

Caso general: descomposición dependiente de l solapamiento entre vistas

Ordenación de las vistas en BBN


Multiple camera tracking of interacting and occluded human motion

Proceso de muestreo aleatorio para generar modelos del ruido al proyectar del plano imagen al mundo y viceversa.


Construccion del modelo de integraci n

Construccion del modelo de integración


Observaciones tracking 3d

Observaciones tracking 3D

  • Las caract. de clase A se siguen de la misma manera que con el filtro de Kalman usual

  • Caracteristicas con oclusiones


Integraci n temporal kalman 3d

Integración temporal: kalman 3D

Vector de caracteristicas 3D: velocidad y posición

Posiciones de las caracteristicas

velocidades

Estimación de estados con movimiento lineal


Multiple camera tracking of interacting and occluded human motion

Matriz de covarianza del error

Matriz de ganancia de Kalmann

Ecuaciones de correccion del estado y el error de prediccion


  • Login