Seguimiento i de objetos

Transcripción

1 IV Seminario de Inteligencia Artificial y Robótica Seguimiento i de objetos con Filtros de Partículas Franco Grassano sanno89@gmail.com Maximiliano Marufo Da Silva Alejandro Gastón Alvarez Ignacio Bertacchini

2 Algoritmos Genéticos Los Algoritmos Genéticos se inspiran en la evolución biológica y su base genético-molecular. 2

3 Algoritmos Genéticos Características Principales: Individuos = Soluciones a un problema Selección Cruza Mutación Se crean nuevas generaciones Función Evaluación Algoritmo altamente paralelizable Usan operadores probabilísticos. 3

4 Ventajas y desventajas Ventajas: Método general Fácil implementación en forma paralela. Algoritmo estándar. Poco afectados por máximos locales. Desventajas: Convergencia no está asegurada. Si existen, métodos deterministas son más eficientes 4

5 Aplicaciones Generales de AG 5

6 Seguimiento de objetos Objetivo - Estimar la trayectoria y la forma de un objeto en movimiento. - A tener en cuenta: Cambio de iluminación Objetos no rígidos Oclusiones parciales o totales Ruido Movimientos complejos Formas complejas Tiempo real 6

7 Filtro de Partículas Método Montecarlo Requiere espacios de soluciones grandes No posee condición de convergencia. Posee cinco etapas principales: 1. Generación de Partículas. 2. Evaluación (suele incluir un proceso de medición) 3. Selección. 4. Predicción. 5. Mutación. 7

8 Filtro de Partículas Particle Filters in Robotics, Sebastian Thrun 8

9 Filtro de Partículas Generación de Población Algoritmos Genéticos Filtro de Partículas Generación de Población Evaluación Mutación Evaluación Mutación Cruza Predicción Cumple? Selección Selección Fin 9

10 Implementación Generación de Población Evaluación Corrección Mutación Mostrar Partículas Predicción Contorno Variación N Partículas Selección 10

11 Función Evaluación Se utiliza codificación YUV Color objetivo representado por un valor medio y un desvío Cada partícula tiene un valor de acuerdo a su color El peso de cada partícula es la distancia al color objetivo 11

12 Codificación YUV Y=0 Y=0,5 Y=1 12

13 Función Evaluación 13

14 Selección Se eligen las partículas por algún método probabilístico Existen 2 métodos que son los más utilizados: Roulette wheel selection Stochastic universal sampling 14

15 Predicción Se supone un sistema dinámico, i lineal ly discreto donde es el vector dinámico futuro es el vector dinámico actual y es la matriz de transición ió de estados 15

16 Predicción 16

17 Mutación Agregamos a cada uno de los estados de cada partícula un valor aleatorio obtenido de una distribución ib ió normal con valor medio nulo, y un desvío que imponemos como parámetro de control del mecanismo. Se implementó un control sobre la mutación para que este ruido no pueda exceder una cierta distancia relacionada con el tamaño del mismo. 17

18 Mutación 18

19 Cálculo del contorno Se utiliza un algoritmo llamado Convex Hull. Une con líneas rectas los puntos más exteriores del conjunto. Algoritmo 1. for all points p 2. for all points q 3. if p!= q 4. Dibujo una linea entre p y q 5. if all points (que no sean p ni q) estan a la izquierda de pq 6. pq es parte del hull Se grafican sólo las partículas cuyo peso supera la media. 19

20 Variación del número de Partículas Se modifica el número de partículas en función del área calculada para el objeto. 20

21 Corrección Se agrega este mecanismo como medida de seguridad en caso de que alguna partícula quede fuera del cuadro como resultado de los bloques de mutación o predicción. 21

22 Validación del algoritmo Exactitud Referencia Nuestro algoritmo 22

23 Validación del algoritmo Exactitud en medición de la posición (x,y) Referencia Nuestro algoritmo 23

24 Validación del algoritmo Exactitud en medición de tamaño ancho y alto Referencia Nuestro algoritmo 24

25 Validación del algoritmo Velocidad Etapa del algoritmo Duración Promedio (ms) Evaluación 0,997 Muestra de partículas 0,082 Cálculo de contorno 0,422 Selección 0,422 Predicción 0,121 Mutación 0,467 Corrección 0,340 TOTAL 2,851 1 cuadro = 1/25 seg = 40 ms o 1/30 seg = 30 ms 25

26 Parámetros Cantidad d partículas. Desvío de posición, velocidad y aceleración. Desvió de color. Codificación del color. Orden de ejecución de los operadores. Diferentes funciones evaluación. Diferentes funciones de contorno: Convex Hull MinArea Shapes Histograma Elipses gaussianas Algoritmo propietario Distintos criterios para la visualización de partículas 26

27 Aplicaciones Seguimiento de vehículos Seguimiento de personas Control de tráfico Seguridad Interacción hombre-máquina Localización de robots Video conferencias Realidad aumentada 27

28 Conclusiones Se logró la ejecución en tiempo real. Precisión en el seguimiento de 2% a 4% Precisión en la medición de tamaño de 5% a 11% Mejoras Futuras Uso de texturas o formas Filtros Kalman. 28

29 Gracias! Preguntas? 29