ANEXO N 4. Algoritmo de Flujo Óptico

Transcripción

1 ANEXO N 4 Algoritmo de Flujo Óptico Para la realización del proyecto era necesaria la implementación de algoritmos de detección de movimiento y seguimiento del mismo, por ejemplo al tener un fondo definido es necesario detectar objetos que en subsecuentes cuadros de video sean el mismo objeto para después poder contarlos. Uno de los algoritmos más conocidos actualmente para seguimiento se conoce como Flujo Óptico, basado en el algoritmo diseñado por Lucas y Kanade [19] y [20], este tiene como objetivo encontrar los mejores puntos en los que para una matriz de auto correlación de las segundas derivadas tengan Eigen valores altos, como las Esquinas, estos tienen la característica de ser encontrados más fácilmente en imágenes posteriores en video. Estos puntos en esencia significan la presencia de una textura o un borde en dos direcciones centrado a ese punto. El seguimiento de estos puntos hace que el algoritmo no dependa de la forma de los objetos a seguir sino la presencia de estos puntos en la imagen, que intentan garantizar la presencia de objetos sin la necesidad de detectarlos. En procesamiento de imágenes se tiene la característica que la imagen está cuantizada y las coordenadas de los pixeles son valores enteros y se requiere una mayor resolución para extraer parámetros geométricos de la imagen, una calibración precisa de la imagen o la detección precisa de puntos para hacer seguimiento. Para solucionar este inconveniente se trabaja con subpixelado, para poder realizar mediciones entre pixeles. Existe una implementación en los ejemplos de OpenCV llamado lkdemo, que se basa en las siguientes funciones: cvgoodfeaturestotrack, que calcula los eigenvalores de cada píxel y tiene como resultado un arreglo de puntos donde se encuentran los mayores eigenvalores, que son puntos óptimos a ser seguidos; cvfindcornerssubpix, permite tener los valores entre pixeles de las verdaderas Esquinas de la imagen; y cvcalcopticalflowpyrlk(), que implementa el algoritmo de Lucas Kanade de manera piramidal, ya que busca ampliar la ventana local entre imágenes para poder referenciar el punto a seguir. En esta implementación se realiza el cálculo de los puntos a ser seguidos mostrando la manera como se mueven estos puntos a medida que se mueven los objetos en la imagen, como se muestra

2 en la Figura 1 (A). Una particularidad de este es que no posee una actualización de estos puntos de manera automática, ya que los puntos se mueven acorde al movimiento del objeto, dejando una zona sin puntos de interés, como se observa en la Figura 1 (B). Figura 1 Ejemplo lkdemo de OpenCV Esta implementación no era aplicable para el proyecto, ya que se necesita la realización del seguimiento del objeto pero de manera automática, de tal manera que fue necesario modificar esta implementación para las necesidades del proyecto. Las modificaciones que se realizaron fueron las siguientes: Realizar la selección de puntos de manera automática Aumento de número de puntos de interés Referenciar la trayectoria de los puntos de interés cuadro a cuadro. Intentar unir los puntos pertenecientes a un solo vehículo Para la selección de puntos de manera automática se utilizaron las funciones: cvgoodfeaturestotrack, cvfindcornerssubpix y cvcalcopticalflowpyrlk() en cada uno de los cuadros de video y se alternaban los puntos de interés de cuadro a cuadro. Para el aumento de número de puntos de interés se modifica un parámetro de entrada de estas funciones que permite tener un número mayor de puntos de interés, para poder abarcar más objetos móviles en el cuadro de video. Para la referenciación de la trayectoria de los puntos de interés, al tener los puntos de interés cuadro a cuadro se realizaba la asignación uno a uno de estos puntos.

3 Una imagen de muestra de los resultados de estas modificaciones se pueden observar en la (Figura 2). Figura 2 Ejemplo de compilación de algoritmo de flujo óptico Se puede observar que el algoritmo presenta la trayectoria de los puntos de interés en azul, pero hay puntos que cumplen con las propiedades de puntos de interés pero no pertenecen a los objetos móviles, como se muestra en la Figura 3. Figura 3 Ejemplo de compilación de algoritmo de flujo óptico con problemas de movimiento Esto se debe a que este algoritmo funciona con características propias de la imagen cuadro a cuadro, usando puntos más no se preocupa por detectar al objeto, que es la finalidad de este proyecto. Una de las ventajas que posee este algoritmo es que se puede realizar un estimado de la velocidad de modo directo ya que se puede interpolar la trayectoria de cada uno de esos puntos de interés lo que podría facilitar la agrupación de puntos a un vehículo determinado, pero dos o más objetos que posean velocidades similares serán tomados como uno solo como se ve en la (Figura 4).

4 Figura 4 ejemplo de un caso en el que los vehículos tienen velocidades similares Al depender de información de movimiento, este algoritmo es susceptible a fallos en ambientes de poca velocidad (Figura 5 Figura 7 ) o con objetos detenidos (Figura 6) Figura 5 vehículos moviéndose a una velocidad similar y muy baja Figura 6 Ejemplo de movimiento en un semáforo, en donde los carros se encuentran detenidos, pero solo una moto se mueve Figura 7 vehículos arrancando en un semáforo

5 Las condiciones ideales que se buscan en este algoritmo son las de la Figura 8, donde los puntos de interés se encuentran condicionados a la forma de los objetos. Figura 8 condiciones óptimas de funcionamiento Este algoritmo se puede utilizar mientras exista movimiento y se pueda utilizar una función de agrupación de parámetros como cvseqpartition para la posterior detección de los objetos, La idea del proyecto es detectar vehículos y realizar el seguimiento, para el posterior conteo y no encontramos que este algoritmo fuera el mejor para este objetivo sin embargo. Si se utiliza una combinación entre los resultados de esta implementación con la detección de objetos propuesta por nosotros como una forma de asignar puntos a objetos, esta sería una buena opción para realizar mediciones como velocidad de manera mas precisa.