リフレクター検出-MPRG.pptVIP

時系列フィルタリング 清水 彰一 時系列フィルタリング 制御理論の分野で研究 未来の値を予測 ノイズを含む観測値から対象の状態を推定 時系列フィルタリング カルマンフィルタ システムモデルが線形 ガウス型の分布モデル ノイズ除去?補間?スムージング パーティクルフィルタ 非線形 非ガウス型の状態空間モデル 状態空間や観測モデルなどに制約がない 目次 時系列フィルタ 対象追跡に適用 定式化 カルマンフィルタ 線形 ガウス型分布に対するフィルタ パーティクルフィルタ 非線形 時系列フィルタの概要 ノイズを含む観測値から対象の状態を推定 対象追跡に適用 パラメトリックな状態ベクトルを持つモデルで表現 画像から得られる特徴量を観測ベクトルとする 位置，姿勢，変形などの状態を推定 目次 時系列フィルタ 対象追跡に適用 定式化 カルマンフィルタ 線形 ガウス型分布に対するフィルタ パーティクルフィルタ 非線形 カルマンフィルタリングの概要 推定時刻t違いによる3種類のフィルタ 予測 ろ波 平滑化 カルマンフィルタ ft(xt)，ht(xt)が線形の場合 状態遷移行列Ftと観測行列Htを用いて式を表現 一期先予測 平均ベクトル: 分散共分散行列: ろ波 平均ベクトル: 分散共分散行列: カルマンゲイン OpenCVによるカルマンフィルタ カルマンフィルタ用の構造体 CvKalman 状態の予測 cvKalmanPredict 状態の確定 cvKalmanCorrect 目次 時系列フィルタ 対象追跡に適用 定式化 カルマンフィルタ 線形 ガウス型分布に対するフィルタ パーティクルフィルタ 非線形 概要 多数の粒子（パーティクル）を用いて近似 事前分布 : 事後分布 : アルゴリズム Step1 初期化 Step2 予測 Step3 尤度推定 Step4 フィルタ Step1: 初期化 ランダムに初期値を入力 Step2: 予測 各サンプルで，時刻tにおける予測サンプルを生成 l次元の乱数としてシステムノイズを生成 システムモデルに従い予測サンプルの生成 Step3: 尤度推定 重み(尤度)を各予測サンプル 　 について，重み を推定 Step4: フィルタ 重み　　に比例する割合でN個復元抽出 重みの確率に従ってランダムに抽出 重みが大きい順に を 回ずつN個になるまで抽出 推定値の算出 ある時刻tにおける推定値 重み付き平均として期待値として算出 実装法 画像上での対象の位置を追跡する場合 状態ベクトル 実装法2 人物の頭部を楕円のモデルとして追跡 対象の姿勢やスケールを推定 状態ベクトル 実装法3 動的輪郭モデルを用いた輪郭追跡 状態ベクトル 観測モデル エッジを用いた評価 輪郭上のある点zjを通り法線方向の直線上にM個のエッジ点 各輪郭からvmだけ離れる 輪郭追跡例 * * 他の手法で検出?追跡 画像から直接追跡対象の状態を推定することが可能 白色ノイズ ディラックデルタ関数 消滅 消滅 消滅 消滅 (2) 予測 (3) 尤度=重みの計算 (4) フィルタ (2) 予測 (2) 予測 (3) 尤度=重みの計算 消滅 消滅 消滅 消滅 (2) 予測 (3) 尤度=重みの計算 (4) フィルタ * *