コンピュータビジョン特論 第7対象追跡.ppt

コンピュータビジョン特論第８回対象追跡 ２００６年１１月２２日 加藤丈和 対象追跡とは（検出と追跡） 検出：一枚の画像から指定した条件をみたす画像領域を抜き出す処理 追跡：動画像から指定した領域を抜き出し、フレーム間で対応づける処理 追跡の分類 対象の表現（モデル）による分類 類似性尺度による分類 探索方法による分類 色ヒストグラムによる追跡Mean Shift法 対象領域内のヒストグラムを計算 色ヒストグラムによる追跡Mean Shift法 ヒストグラムによる追跡Mean Shift法 Mean Shift Mean Shift Mean Shift Mean Shift まとめ モデルの表現と類似性尺度 勾配法に基づく探索 見えに基づく追跡 →Lucas Kanade法 色ヒストグラムによる追跡 →Mean Shift法 運動予測に基づく追跡パーティクルフィルタとその実装 勾配に基づく追跡の問題点 対象の動きに関する知識を利用しない 初期値（前フレームの結果）が十分解に近い必要がある 類似度が解周辺でなめらか（微分可能）である必要がある ノイズの影響を受けやすい 動きと観測のモデル 状態の推定 線形システムの状態推定Kalman filter 線形システム システムプロセス、観測プロセスが線形 ガウシアン分布 線形システムの状態推定Kalman filter Kalman filter を用いた追跡の例α-β（-γ）tracker　P.R. Kalata 1986 慣性を持つ剛体の運動予測のモデル Kalman filterを用いた追跡の例 複数ターゲットの追跡　ICIS２００３　W. Niuら Kalman filterを用いた追跡の例 アフィン変換による変形を含む追跡 ICCV98 Jebara, Russel and Pentland など 対象表現：特徴点集合、アフィン行列 剛体の3次元位置、姿勢の追跡 VISP97（Jung and Wohn など 対象表現：特徴点集合、3次元位置、姿勢 予測を使って、テンプレートの探索範囲を限定 ISIE03（G. CAOら）など 対象表現：テンプレート、位置、速度 Kalman filter の利点と欠点 利点 線形解が与えられる（計算コスト小） 次のフレームの予測ができる 観測ノイズ、システムノイズを吸収できる 欠点 強い制約条件 システムプロセス、観測プロセスが線形 ガウシアン分布 適用範囲が限られる ＣＶ分野では限定的な利用 検出結果のフレーム間対応付け ノイズの吸収、スムージング 探索範囲の限定 Particle Filter システムプロセス、観測プロセスを非線形に拡張 Kalman filter のような制約がない 非ガウシアンの分布を表現 ランダムサンプリングによる仮説の生成と、各仮説の尤度推定によって、事後分布を推定 モンテカルロ近似 Monte Carlo Filter 北川ら、1995 , Bootstrap Filter Gordon,1996 , ConDensation Isardら、1998 とも呼ばれるが基本的に同じ その後 Particle Filter 粒子フィルタ という呼び名に落ち着く ただし、ＣＶ分野ではConDensationと呼ばれることも多い 動きと観測のモデル Particle Filter Particle Filter の枠組み Particle Filter の枠組み Particle Filter Particle Filter Particle filterを用いた追跡の例 ConDensation 　（IJCV98　M. Isard and A. Blake） 対象表現：輪郭モデル 類似度 尤度）：エッジと輪郭の距離 照明変化、色の変化に強い 裾野が広く、滑らかな尤度分布 Particle filterを用いた追跡の例 Monte Carlo Filterを用いた追跡の利点と欠点 利点 システムプロセス、観測プロセスが任意 あるサンプルに対する尤度が定義できれば基本的になんでもいい 非ガウシアン分布を表現可能 多重仮説 尤度分布が局所的に滑らかでなくてもいい 欠点 状態ベクトルが高次元になると計算量が増加 多数のサンプリングが必要 複数ターゲットへの拡張が難しい 尤度分布の裾野が狭いと不安定になる まとめ 動き予測に基づく探索 過去のフレームから次の位置を予測 線形システム→カルマンフィルタ 線形に解がもとまる 制限が大きい 非線形に拡張→Particle Filter ランダムサンプリングによる推定 状態 尤度 状態 尤度 * * ポジション 対象モデル モデルヒストグラム 入力