Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Teresia Stilp Geändert vor über 10 Jahren
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
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.