person tracking a multiple hypothesis approach michael huber
DESCRIPTION
Person Tracking A Multiple Hypothesis Approach Michael Huber. Was ist Person Tracking?. Grundlagen MHT Versuchsergebnisse Ausblick. Erkennung und Verfolgung von Bewegungen einer Person. Vorhersage der nächsten Position in einer Bildsequenz. Blip 1. ?. Blip 2. Blip 3. Ursprünge. - PowerPoint PPT PresentationTRANSCRIPT
Person Tracking
A Multiple Hypothesis Approach
Michael Huber
2Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
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
3Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
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
4Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Repräsentation des menschlichen Körpers
Stick Figure Volumenmodell
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
5Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
Scaled Prismatic Model - SPM
Bewegung senkrecht zur Bildebene wird durch Skalierung modelliert
6Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Kalman Filter
Reihe von Messwerten in allen bisherigen Zuständen
Geschätzter nächster MesswertKALMAN
FILTER
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
7Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Unimodale Wahrscheinlichkeitsdichte
Multimodale Wahrscheinlichkeitsdichte
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
8Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Single Mode TrackingVerwendung von Kalman Bänkenz.B. Monte Carlo Methode
p1 p2 p3
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
9Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Multiple Hypothesis Tracking1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
10Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Prediction Step
Aufruf des Kalman Filters für jedes Maximum
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
11Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Likelihood Computation
-Hypothesen aus dem Modell generieren (a)
-State Space search ausführen (b)
-Maxima bestimmen
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
12Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Posterior Update
-Verwendung des Saztes von Bayes
-Dominantes Maximum wir weiterverwendet
-Übrige Maxima werden verworfen
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
13Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Schematische Darstellung1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
14Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Algorithmus von INRIA
Volumenmodell
Edge detection zur Berechnung der Freiheitsgrade
Ansonsten auch Mode Based MHT
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
15Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Volumenmodellbasierter Algorithmus von INRIA
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
Versuchsergebnisse
16Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Single Mode Tracking(z.B. Monte Carlo)
MHT
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
17Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Single Mode Tracking(z.B. Monte Carlo)
MHT
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick
18Michael Huber
6.11.2003
Person Tracking
A multiple hypothesis approach
Ausblick
Real Time MHT
Verbesserte Occlusion Behandlung
Entwicklung von Interfaces
1. Grundlagen
2. MHT
3. Versuchsergebnisse
4. Ausblick