זיהוי ועקיבה אחר רכבים בתנאי ראות קשים

1. זיהויועקיבהאחררכביםבתנאיראותקשיםזיהויועקיבהאחררכביםבתנאיראותקשים מגישים: אלכסנדריוסופוב אלכסנדרטרנבסקי מנחה: ד”רגבריאלדוידוב סמסטר: חורף תשע"א

2. מבנה המצגת • מטרות הפרויקט • צילום התרחיש • הנחות - מידע אפריורי • אלגוריתם הפתרון: • מציאת מיקום הפנסים • שיוך הפנסים למכוניות • איפיון מצב המכונית בזירה • שערוך מרחק למטרה • תצוגה למשתמש ותוצאות • סיכום ומסקנות

3. מטרות הפרוייקט • עקיבת וידאו • ראיית לילה, תנאי תאורה קשים • מצלמה רועדת • רקע משתנה (צילום מתוך רכב נוסע) • עקיבה אחר מספר רכבים • שינוי צורת הרכב • מספר רכבים משתנה • דינמיקה חריפה • הסתרות חלקיות ומלאות • התמזגות עם הרקע

4. מאפייני התרחיש • התרחיש תוכנן כך שיכלול: • הסתרות מלאות • הסתרות חלקיות • כניסה ויציאה מתוך הפריים • מאפייני הכביש: • כביש עירוני • עליות וירידות • עיקולים • תאורת רחוב משתנה. • הצילום התבצע מתוך רכב נוסע • שלושה רכבים מתמרנים שימשו כמטרות.

5. וידאו המקור

6. סביבת עבודה • מצלמה ביתית במצבLUX-0 • סביבת פיתוח Matlab 2010a • מחשב עם מעבד Intel i7 • זיכרון פנימי (RAM) של 12GB

7. הנחות - מידע אפריורי • מספר מטרות ידוע מראש • בנק מטרות מוכן מראש • פנסים אחוריים בוהקים יחסית לרקע • לכל מכונית 2 פנסים עובדים • הפנסים אופקייםיחסית

8. אלגוריתם הפתרון

9. I. מציאת מיקום הפנסים • שלב א – שיפור איכות התמונה • שלב ב – מציאת קואורדינטות הפנסים

10. I. מציאת מיקום הפנסיםשלב א – שיפור התמונה • טשטוש שפות • מסנן חציון

11. I. מציאת מיקום הפנסיםשלב ב – מציאת קואורדינטות • תיקון גמא • התמרת סף • התמרות מורפולוגית • חישוב מרכז מסה (90.05,352.72)

12. II. שיוך פנסים למכוניות • מקרה א – מטרה ותיקה • השוואה לבנק מטרות • הערכת אינובצית קלמן • שקלולהתוצאות • מקרה ב – מטרה חדשה • מציאת גודל המטרה • השוואה לבנק מטרות

13. II. שיוך פנסים למכוניותמקרה א – מטרה ותיקה • חישוב מקדם קורלציה לכל פנס עם כל מטרה בבנק Target 1 Target 2 Target 3 בנק מטרות

14. .IIשיוך פנסים למכוניותמקרה א – מטרה ותיקה טבלת מקדמי קורלציה

15. II. שיוך פנסים למכוניותמקרה א – מטרה ותיקה 2. מציאת אינובציית הקלמן של כל פנס: - שיערוך מסנן קלמן עבור פנס L1

16. II. שיוך פנסים למכוניותמקרה א – מטרה ותיקה טבלת אינובציות קלמן

17. II. שיוך פנסים למכוניותמקרה א – מטרה ותיקה 3. שקלול מקדם קורלציה עם האינובציה של מסנן קלמן לשיפור התאמת הפנסים למכוניות. שיוך פנס לכתם על פי ציון מקסימלי

18. II. שיוך פנסים למכוניותמקרה ב – מטרה חדשה המטרה: רכישת מטרות אוטומטית • גודל המטרה החדשה לא ידוע • ההשוואה מבוססת קורלציה ולכן רגישה מאוד לשינוי סקאלה • המרחק בין הפנסים יחסי לגודל הרכב • היחס קבוע ונתון בבנק המטרות מציאת המרחק בין הפנסים תאפשר קורלציה בסקאלה נכונה.

19. II. שיוך פנסים למכוניותמקרה ב – מטרה חדשה • 1. עבור כל זוג פנסים נוצר ווקטור המחבר ביניהם

20. II. שיוך פנסים למכוניותמקרה ב – מטרה חדשה 2. שלילת וקטורים בעלי זווית גדולה ביחס לאופק

21. II. שיוך פנסים למכוניותמקרה ב – מטרה חדשה • 3. בדומה למקרה א, מחושב מקדם קורלציה עם כל אחד מן הרפרנסים. • 4. מיקום הרכב נבחר על סמך הוקטור בעל הקורלציה הגבוהה ביותר 0.99

22. III. איפיון מצב הרכב וזיהוי הסתרות מצבי מטרה אפשריים: • זיהוי מלא • זיהוי חלקי • איבוד זמני • הסתרה חלקית • הסתרה מלאה • לא נמצא

23. III. איפיון מצב הרכבזיהוי מלא • במצב זה נמצאו שני פנסי המכונית.

24. III. איפיון מצב הרכבזיהוי חלקי • במצב זה נמצא רק פנס אחד. • "מנחשים" את מיקום הפנס השני על פי רוחב המכונית האחרון שנמדד.

25. III. איפיון מצב הרכבאיבוד זמני • במצב זה לא נמצא אף פנס. • מיקום הפנסים משוערך ע"י מודל קלמן המותאם למערכת. • אמינות המשערך יורדת עם הזמן • לאחר 15 פריימים במצב זה עוברים למצב "לא נמצא"

26. קלמן פילטרמידול תנועת הרכבים • אנכית • רעידות מצלמה • רעידות בכביש • עליות וירידות • אופקית • עקיפות • החלפת נתיב • עיקולים בכביש

27. III. איפיון מצב הרכבמטרה לא נמצאה • מספר המטרות הכולל ידוע מראש • כאשר מספר המטרות המזוהות קטן מהמספר הידוע יתבצע חיפוש לפי מקרה ב' לחיפוש מטרות חדשות • נדרש זיהוי רציף של 10 פריימים לשם מעבר ל-"זיהוי מלא" • חשיבות הרכישה הארוכה: • איתחול קלמן • מניעת זיהוי שווא • ודאות ברוחב הרכב

28. III. איפיון מצב הרכבהסתרה חלקית • זיהוי כניסה להסתרה: • הרכב המסתיר יהיה ב-"זיהוי מלא" • הרכב המוסתר יהיה ב-"זיהוי חלקי" • "הניחוש" של מיקום הפנס המוסתר נמצא בין פנסי הרכב המסתיר

29. III. איפיון מצב הרכבהסתרה מלאה • תנאי כניסה: • המכונית המוסתרת נמצאת במצב "הסתרה חלקית" • שני הפנסים של המכונית המוסתרת לא נמצאו • תנאי יציאה: • המכונית המוסתרת נמצאת במצב "זיהוי מלא" או • המכונית המסתירה אינה במצב "זיהוי מלא"

30. III. איפיון מצב הרכבפרמטרי קלמן • במסנן קלמן מופיעות שתי מטריצות קווריאנס: • Q - אי ודאות המודל • R - אי ודאות המדידה • המודל לא משתנה ולכן Q קבוע • דיוק המדידה משתנה בהתאם למצב: • "זיהוי מלא" – R קטן מאוד • "זיהוי חלקי" ו-"הסתרה חלקית" – R בינוני • "איבוד זמני" – R גבוהה יחסית

31. סיכום ביניים

32. הערכת המרחק למטרה dm L dp

33. תצוגה

34. תצוגה

35. תוצאות

36. חידושים • עיבודתמונה • התאמהלעקיבהבכביש • זיהוי אוטומטי של גודל הרכב • חישובפרספקטיבי • מודלקלמןמותאם למערכת • מספר מטריצות קווריאנס שונות • עקיבהבעקיפה • הדמיית מבט עילי

37. הצעותלהמשך • אלגוריתמיםמתקדמיםבראיהממוחשבת • Optical Flowלביטולתנועתהרקע • Scale Invariant Feature Tracking (SIFT) לזיהוימטרותמהירורובוסטייותר • ניצולצבעבוידאו • שיטותעקיבהמתקדמות • מודלקלמןלאלינארי EKF, UKF • IMMשילובמספרמודליתנועה

38. תודות • ד"ר גבריאל דוידוב – מנחה הפרוייקט • מר קובי כוחיי – מהנדס המעבדה • גב' אורלי ויגדרזון – הנדסאית המעבדה • הנהגים האמיצים: • עמרי שטיינמץ ילון • מיכאל פירוב • אורי כץ

39. זיהויועקיבהאחררכביםבתנאיראותקשיםזיהויועקיבהאחררכביםבתנאיראותקשים מגישים: אלכסנדריוסופוב אלכסנדרטרנבסקי מנחה: ד”רגבריאלדוידוב סמסטר: חורף תשע"א