SUJETS SPCIAUX EN INFORMATIQUE I PIF6003 Analyse du

SUJETS SPÉCIAUX EN INFORMATIQUE I PIF-6003

Analyse du mouvement et suivi d’objets u u u Image de l’historique de mouvement (MHI) Flux optique Suivi d’objets par ondelettes de Gabor Suivi d’objets par le filtre de Kalman Suivi d’objets en mouvement

Image de l’historique de mouvement (MHI) u Une MHI est une image qui accumule les changements durant un intervalle de temps donné pour chaque pixel d’une image u Une image de gradient de mouvement (MGI) représente le gradient de mouvement dans une MHI, représente la direction et l’intensité du changement spatial

Image de l’historique de mouvement (MHI) a) Image au temps t 0 b) Image au temps tk c) Image de mouvement non seuillée d) Image de mouvement détecté

Image de l’historique de mouvement (MHI) ROI 1) Front 2) Œil gauche 3) Œil droit 4) Joue gauche 5) Joue droit 6) Bouche

Image de l’historique de mouvement (MHI) u La MHI est mise à jour à chaque fois qu’une image de différence découlant de la différence entre deux images prises au temps tk et tk+1 est produite Si Idiff( x, y ) > S => MHI(x, y) = Si Idiff( x, y ) < S & MHI(x, y) < ( - ) => MHI(x, y) = 0 Si Idiff( x, y ) < S & MHI(x, y) >= ( - ) => MHI(x, y) -= 1 Avec: : le temps t actuel : la durée maximale de l’historique de mouvement

Image de l’historique de mouvement (MHI)

Image de l’historique de mouvement (MHI) u L’image du gradient (MGI) de mouvement est obtenue en calculant le gradient avec le filtre de Sobel sur la MHI

Image de l’historique de mouvement (MHI) a) MHI au début (surprise) b) MGI au début c) MHI à la fin d) MGI à la fin

Image de l’historique de mouvement (MHI)

Flux optique u Deux suppositions importantes: 1. La fonction image I(x, y, t) est principalement dépendante de la position x, y 2. La fonction image I(x, y, t) d’un objet ne change pas dans l’image u Si après un temps t un objet subit une translation dx et dy, nous pouvons écrire la fonction I(x, y, t) en faisant le développement en séries de Taylor

Flux optique u De la supposition 2 nous pouvons écrire: Alors En divisant par dt Équation du mouvement

Flux optique u Approche proposée par Lucas & Kanade – Résolution d’un système d’équations linéaires par moindres carrés – Les sol’n sont les vecteurs vitesse u et v – Voir lkdemo. c dans le répertoire samples de Open. CV

Flux optique (lkdemo. c dans Open. CV)

Flux optique (lkdemo. c dans Open. CV )

Suivi d’objets par ondelettes de Gabor u u Pour suivre le mouvement des expressions du visage, ou le déplacement de pixels significatifs dans une image nous pouvons utiliser des méthodes de suivi comme l’approche Block Matching mais cette approche est sensible au bruit et au changement d’illumination. De plus si ces pixels ne sont pas nécessairement dans des régions à fort contraste, une méthode étant capable de considérer un pixel et son environnement immédiat devrait être employée. Aussi, la méthode doit être capable de supporter une certaine déformation des éléments du voisinage d’un pixel en plus d’être tolérantes aux changements d’illumination ainsi qu’aux transformations globales de translations, rotations et changements d’échelle. La transformée basée sur les ondelettes de Gabor possèdent les caractéristiques requises

Suivi d’objets par ondelettes de Gabor u L’ondelette de Gabor est une sinusoïdale atténuée par une gaussienne. u Lorsque utilisée comme noyau de convolution, elle permet d’associer à chaque pixel un nombre complexe caractérisant ce pixel dans sont environnement à une fréquence et une orientation spatiale donnée. u En augmentant le nombres d’orientations et les fréquences d’échantillonnage, on obtient une mesure de plus en plus précise de la région de l’image

Suivi d’objets par ondelettes de Gabor

Suivi d’objets par ondelettes de Gabor u La transformée en ondelettes de Gabor et plus spécifiquement la définition d’un jet tel que définie par Wiscott et al. , permet de caractériser un pixel et son environnement en considérant un nombre discret d’échelles et d’orientations. u Un jet est une série de résultats découlant des convolutions obtenues avec des noyaux de Gabor générés à différentes échelles et orientations

Suivi d’objets par ondelettes de Gabor u Le jet J d’un pixel est donné par: donné dans une image • Cette expression revient à une convolution dans le domaine discret

Suivi d’objets par ondelettes de Gabor u La famille de noyaux de Gabor peut être déduit par • Pour 4 fréquences et 6 orientations

Suivi d’objets par ondelettes de Gabor u En utilisant par exemple, quatre (4) fréquences et six (6) orientations, un jet se compose donc de vingtquatre (24) coefficients complexes, ce qui peut être écrit sous la forme Partie réelle -1 Partie imaginaire

Suivi d’objets par ondelettes de Gabor Résultat de la convolution de quatre noyaux de Gabor (2 fréquences et 2 orientations)

Suivi d’objets par ondelettes de Gabor u Pour localiser les jets qui se déplacent d’une image à l’autre, il faudra comparer le jet original dans une image donnée aux jets environnant dans une autre image pour trouver celui est semble le plus similaire u La formule suivante permet de comparer deux (2) jets Le symbole. représente le produit scalaire et les barres verticales représentant le module. Cette fonction retourne le cosinus de l’angle entre les deux (2) vecteurs dans un espace complexe à vingt-quatre (24) dimensions

Suivi d’objets par ondelettes de Gabor u u Pour suivre le déplacement des points, il suffit de trouver le pixel minimisant cette fonction dans le voisinage du pixel de l’image précédente. Puisque la fonction S implique un grand nombre de multiplication et est donc algorithmiquement coûteuse, il faut éviter de parcourir l’image entière pour localiser le pixel idéal. Pour ce faire, une recherche saccadée est souhaitable. Nous pouvons débuter la recherche centrée sur la position du pixel dans l’image précédente et tester ensuite les pixels qui apparaissent dans la grille suivante Le meilleur candidat est ensuite sélectionné comme centre pour la prochaine itération

Suivi d’objets par ondelettes de Gabor Grille de recherche utilisée pour la comparaison des jets

Suivi d’objets par le filtre de Kalman u Cette approche permet de faire la mise à jour temporelle du vecteur d’état d’un système permettant de prédire son état dans le future u La mise à jour basée sur les mesures empiriques permet l’ajustement de l’estimation projetée

Suivi d’objets par le filtre de Kalman u Si nous considérons un pixel significatif dans une image captée au temps tk u Ce pixel a une vélocité de u Avec un vecteur d’état

Suivi d’objets par le filtre de Kalman u Le modèle du système est écrit sous forme d’un filtre de Kalman Bruit gaussien de moyenne nulle Position et vitesse mise à jour au temps k

Suivi d’objets par le filtre de Kalman u Sous forme matricielle nous pouvons réécrire le vecteur d’état:

Suivi d’objets par le filtre de Kalman u Nous pouvons alors estimer zk la position du point pk à chacune des images d’une séquence, de cette façon le modèle empirique du filtre de Kalman devient: Bruit gaussien de moyenne nulle

Suivi d’objets par le filtre de Kalman u L’INPUT au temps tk est formé des matrices de covariance Qk-1 associée au processus de bruit k-1 et Rk-i associé au processus de bruit k-1

Suivi d’objets par le filtre de Kalman (kalman. c dans Open. CV)

Suivi d’objets par le filtre de Kalman (kalman. c dans Open. CV) u Suivi d’un point effectuant une rotation. – – – u La vitesse de rotation est constante. Les vecteurs d’état et de mesures empiriques sont 1 D (a point angle), Les mesures sont des valeurs réelles (angles) + bruit gaussien. La position des points réel et estimée sont reliés par une ligne jaune, La position des points réel et mesurée sont reliés par une ligne rouge. Si l’algorithme de Kalman fonctionne bien: le segment de droite jaune devrait être plus court que le rouge.

Suivi d’objets par le filtre de Kalman (kalman. c dans Open. CV)

Suivi d’objets par le filtre de Kalman (kalman. c dans Open. CV)

Suivi d’objets par le filtre de Kalman (kalman. c dans Open. CV)

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) a) Image originale b) Image des objets statiques (background) c) Image des objets mobiles d) Images des objets suivis

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) Chaque pixel dans une image obtenu au temps t est associé à une série d’observations a) Diagramme de dispersion des composantes RG d’un pixel en fonction du temps (2 min) b) Bi-modalité des surfaces spéculaires (eau) c) Bi-modalité du flickering dans l’écran

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) u Quand la série {X 1, X 2 …. Xt} est statique avec de faibles variations de l’illumination, cette série pourrait être représentée par une simple gaussienne u Mais avec une illumination changeante, des objets en mouvement, cette série est alors modélisée par une mixture de K gaussiennes par: Composantes RGB indépendantes

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) Chaque nouvelle valeur d’un pixel, Xt, est comparée aux K distributions gaussiennes, TTQ une des K distributions n’est pas trouvée (match). u Ce “match” est définit par une valeur du pixel à l’intérieur de 2. 5 par rapport à la moyenne u Si aucune des K distributions “match” la valeur du pixel, la distribution la moins probable est remplacées par avec une distribution ou =valeur du pixel et , une valeur élevée de la variance, et un poids faible u

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) u Les poids des K distributions au temps t, ωk, t, sont calculés par: u est le taux d’apprentissage et Mk, t est 1 pour le “match” et 0 pour les k-1 autres modèles

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) u Les paramètres μ et σ K-1 distributions restent les mêmes u Les paramètres de la distribution qui “matchs” la nouvelle observation (pixel) est ajustée par:

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) Avantage de l’approche MOG, quand un pixel en devient un du background, le modèle de background au temps t-1 n’est pas détruit. La couleur au temps t 1 reste dans la MOG tant qu’elle ne devient pas la Kième plus probable et qu’une nouvelle couleur est observée u Si un objet est statique assez longtemps pour être du background et qu’il bouge, la distribution décrivant le background précédent reste avec le même μ et σ2, mais avec un ω plus faible et sera re-incorporé dans le background u

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) u Résultats (Stauffer & Grimson CVPR 1998) Images typiques Accumulation du déplacement

Suivi d’objets en mouvement (Mixture Of Gaussian: MOG) u Résultats a) Détection des personnes (b) Détection des véhicules

Résumé u Analyse du mouvement et suivi d’objets – MHI – Flux optique – Suivi d’objets par ondelettes de Gabor – Suivi d’objets par le filtre de Kalman – Suivi d’objets en mouvement