Person Tracking A Multiple Hypothesis Approach Michael Huber.

Präsentation zum Thema: "Person Tracking A Multiple Hypothesis Approach Michael Huber."—  Präsentation transkript:

1 Person Tracking A Multiple Hypothesis Approach Michael Huber

2 6.11.2003 Person Tracking A multiple hypothesis approach 2 Was ist Person Tracking? Erkennung und Verfolgung von Bewegungen einer Person Vorhersage der nächsten Position in einer Bildsequenz 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

3 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 3 Ursprünge Ursprünge in den 60er Jahren Vorherberechnung von Bewegungen ursprünglich für Radartechnik Blip 1 Blip 2 Blip 3 ? 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

4 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 4 Repräsentation des menschlichen Körpers Stick Figure Volumenmodell 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

5 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 5 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick Scaled Prismatic Model - SPM Bewegung senkrecht zur Bildebene wird durch Skalierung modelliert

6 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 6 Kalman Filter Reihe von Messwerten in allen bisherigen Zuständen Geschätzter nächster Messwert KALMAN FILTER 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

7 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 7 Unimodale Wahrscheinlichkeitsdichte Multimodale Wahrscheinlichkeitsdichte 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

8 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 8 Single Mode Tracking Verwendung von Kalman Bänken z.B. Monte Carlo Methode p1p2 p3 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

9 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 9 Multiple Hypothesis Tracking 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

10 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 10 Prediction Step Aufruf des Kalman Filters für jedes Maximum 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

11 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 11 Likelihood Computation -Hypothesen aus dem Modell generieren (a) -State Space search ausführen (b) -Maxima bestimmen 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

12 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 12 Posterior Update -Verwendung des Saztes von Bayes -Dominantes Maximum wir weiterverwendet -Übrige Maxima werden verworfen 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

13 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 13 Schematische Darstellung 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

14 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 14 Algorithmus von INRIA Volumenmodell Edge detection zur Berechnung der Freiheitsgrade Ansonsten auch Mode Based MHT 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

15 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 15 Volumenmodellbasierter Algorithmus von INRIA 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick Versuchsergebnisse

16 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 16 Single Mode Tracking (z.B. Monte Carlo) MHT 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

17 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 17 Single Mode Tracking (z.B. Monte Carlo) MHT 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick

18 Michael Huber 6.11.2003 Person Tracking A multiple hypothesis approach 18 Ausblick Real Time MHT Verbesserte Occlusion Behandlung Entwicklung von Interfaces 1.Grundlagen 2.MHT 3.Versuchsergebnisse 4.Ausblick