Đang tải... (xem toàn văn)
Đề tài TRƯỜNG ĐẠI HỌC LẠC HỒNG TRUNG TÂM THÔNG TIN TƯ LIỆU *** BÁO CÁO NGHIÊN CỨU KHOA HỌC ĐỀ TÀI XÂY DỰNG HỆ THỐNG QUAN SÁT VÀ THEO VẾT ĐỐI TƯỢNG CHO ROBOT TỰ HÀNH TRẦN CÔNG CHIẾN BIÊN HÒA, 2012 TRƯỜ[.]
TRƯỜNG ĐẠI HỌC LẠC HỒNG TRUNG TÂM THÔNG TIN TƯ LIỆU *** BÁO CÁO NGHIÊN CỨU KHOA HỌC ĐỀ TÀI: XÂY DỰNG HỆ THỐNG QUAN SÁT VÀ THEO VẾT ĐỐI TƯỢNG CHO ROBOT TỰ HÀNH TRẦN CƠNG CHIẾN BIÊN HỊA, 2012 TRƯỜNG ĐẠI HỌC LẠC HỒNG TRUNG TÂM THÔNG TIN TƯ LIỆU *** BÁO CÁO NGHIÊN CỨU KHOA HỌC ĐỀ TÀI: XÂY DỰNG HỆ THỐNG QUAN SÁT VÀ THEO VẾT ĐỐI TƯỢNG CHO ROBOT TỰ HÀNH CHỦ NHIỆM: HUỲNH CAO TUẤN THỰC HIỆN: TRẦN CÔNG CHIẾN TRẦN THANH VIỆT NGUYỄN ĐÌNH LIÊN BIÊN HỊA, 2012 Mục lục Mục lục i Các thuật ngữ từ viết tắt ii Danh mục hình vẽ iii Mở đầu Chương 1: Bài toán theo vết đối tượng 1.1 Giới thiệu 1.2 Quy trình theo vết đối tƣợng 1.2.1 Phát đối tƣợng 1.2.2 Phân vùng 1.2.3 Theo vết đối tƣợng 1.3 Các phƣơng pháp theo vết thông thƣờng 1.3.1 So khớp mẫu (Template Matching) 1.3.2 Theo vết Meanshift 1.3.3 Phƣơng pháp Bayesian 1.3.3.1 Ƣớc lƣợng Bayesian 1.3.3.2 Một số phƣơng pháp dựa ƣớc lƣợng Bayesian 10 1.3.3.3 Lọc Kalman 11 1.4 Kết luận 12 Chương 2: Lọc hạt (Particle Filter) 2.1 Phƣơng pháp Lọc 13 2.2 Nền tảng toán học 15 2.2.1 Phƣơng pháp Monte Carlo 18 2.2.2 Phƣơng pháp hàm tích lũy xác suất nghịch đảo 20 2.2.3 Phƣơng pháp lấy mẫu loại trừ 21 2.2.4 Phƣơng pháp Metropolis-Hasting 23 2.2.5 Phƣơng pháp lấy mẫu quan trọng 25 2.2.6 Phƣơng pháp lấy mẫu quan trọng 28 2.3 Vấn đề chọn hàm mật độ đề xuất 31 2.4 Tái chọn mẫu 34 2.4.1 Kích thƣớc mẫu hiệu dụng 35 2.4.2 Thuật toán tái chọn mẫu 37 2.5 Các phƣơng pháp quan sát (Observation Models) 40 2.5.1 Quan sát dựa vào Hình dáng (Shape Information) 41 2.5.2 Quan sát dựa vào Màu (Colour- histogram) 42 2.5.3 Quan sát dựa vào Mẫu (Template-based) 45 2.6 Mơ hình ƣớc lƣợng trạng thái 47 2.7 Thuật toán lọc Particle 48 2.8 Nhận xét 49 Chương 3: Sử dụng Particle Filter cho toán theo vết đối tượng 3.1 Cài đặt thuật toán Particle Filter 52 3.1.1 Thử nghiệm với mơ hình quan sát dựa vào màu (Colour - histogram) 58 3.1.2 Thử nghiệm với mơ hình quan sát dựa vào mẫu (Template - based) 66 3.2 Cải tiến thuật toán - kết hợp lọc Particle Template Matching 72 3.2.1 Xây dựng thuật toán PTM (Particle & Template Matching) 74 3.2.2 Kết thử nghiệm 75 3.3 Nhận xét 78 Kết luận 79 Tài liệu tham khảo Các thuật ngữ từ viết tắt PP CPU RAM HMM SIS PTM Phƣơng pháp Control Processing Unit Random Access Memory Hidden Markov Model Sequential Importance Sampling Particle & Template Matching D nh mục h nh v Hình 2.4 Hình 2.5 Hình 2.6 Hình 3.1 Hình 3.2 Mơ tả Ví dụ phương pháp lấy mẫu loại trừ Phương pháp lấy mẫu quan trọng Ví dụ trường hợp dẫn đến sai lầm chọn hàm mật độ đề xuất tối ưu Ví dụ thuật tốn tái chọn mẫu hệ thống Ví dụ lọc hạt để khởi tạo lấy mẫu Biểu đồ màu khung chọn Biểu đồ mức độ xác số lượng hạt Minh hoạ bước tái chọn mẫu Hình 3.3 Hình 3.4 Kết sau tái chọn mẫu (Resampling) Video người 57 68 69 62 Hình 3.5 Hình 3.6 Hình 3.7 Video người chạy xe Video chạy theo xe ôtô Video bình hoa 62 62 62 Hình Hình 2.1 Hình 2.2 Hình 2.3 Trang 23 32 36 42 45 48 D nh mục ảng số liệu Bảng Bảng 3.1 Bảng 3.2 Bảng 3.3 Mô tả Thử nghiệm Colour-based, số lượng hạt 50 Thử nghiệm Colour-based, số lượng hạt 100 Thử nghiệm Colour-based, số lượng hạt 300 Bảng 3.4 Thử nghiệm Colour-based, số lượng hạt 500 Bảng 3.5 Bảng 3.6 Thử nghiệm Colour-based, số lượng hạt 1000 Thử nghiệm Template-based, số lượng hạt 50 Bảng 3.7 Bảng 3.8 Bảng 3.9 Thử nghiệm Template-based, số lượng hạt 100 Thử nghiệm Template-based, số lượng hạt 300 Thử nghiệm Template-based, số lượng hạt 500 Bảng 3.10 Bảng 3.11 Bảng 3.12 Thử nghiệm Template-based, số lượng hạt 1000 Thử nghiệm PTM, số lượng hạt 100 Thử nghiệm PTM, số lượng hạt 300 Bảng 3.13 Thử nghiệm PTM, số lượng hạt 500 Trang 64 64 65 65 66 68 69 70 70 71 75 75 76 Mở đầu Trong giai đoạn khoa học công nghệ phát triển nay, việc chế tạo Robot nhằm giảm sức lao động cho ngƣời mục tiêu nhiều nghiên cứu giới Từ lâu, biết đến Robot công nghiệp nhà máy sản xuất xe hơi, nhà máy sản xuất linh kiện máy tính số nghành công nghiệp khác… Hiện nay, ngƣời ta chế tạo Robot tiên tiến hơn, chúng tự hành Sao Hoả để phân tích mẫu vật…Nhƣng tiếng đến có lẽ ngƣời máy Asimo hãng Honda di chuyển thực nhiều động tác giống ngƣời Một phận quan trọng để Robot tự hành đƣợc hệ thống quan sát theo vết mục tiêu định trƣớc Theo vết đối tƣợng thời gian thực công đoạn quan trọng nhiều ứng dụng thị giác máy tính tốn nhiều nghiên cứu Một mục tiêu quan trọng theo vết đối tƣợng để “hiểu” đƣợc chuyển động đối tƣợng “Hiểu” thông tin đối tƣợng nhƣ vị trí khơng gian, vận tốc chuyển động đặc trƣng vật lý khác Một hệ thống thông minh có khả thực bƣớc xử lý cấp cao nhƣ nhận dạng đối tƣợng, nhận dạng chuyển động tính tốn đặc trƣng thu thập đƣợc Mặc dù đƣợc nghiên cứu nhiều năm nhƣng toán “theo vết đối tƣợng” vấn đề nghiên cứu thời Mức khó khăn vấn đề phụ thuộc vào loại đối tƣợng muốn phát theo vết Việc đặt Camera Robot (cùng di chuyển với Robot) khiến cho việc phát theo vết khó khăn tốn với Camera đặt cố định Hiện nay, việc nghiên cứu, chế tạo Robot ngành khí điện tử trƣờng Đại học Lạc Hồng đặt nhiều toán liên quan đến vấn đề xử lý ảnh giúp điểu khiển Robot Đề tài “Xây dựng hệ thống quan sát theo vết đối tượng cho Robot tự hành” đƣợc thực với hy vọng góp phần đƣa lĩnh vực thiết kế, chế tạo Robot trƣờng Lạc Hồng tiến xa tƣơng lai Bố cục đề tài bao gồm phần Mở đầu, phần Kết luận ba chƣơng nội dung đƣợc tổ chức nhƣ sau: Chương 1: Tổng quan toán theo vết đối tượng Chƣơng đề cập đến phƣơng pháp, quy trình tốn theo vết đối tƣợng Phân tích, đánh giá ƣu khuyết điểm phƣơng pháp từ rút kết luận nhằm chọn giải pháp tối ƣu Chương 2: Lọc hạt (Particle Filter) Chƣơng trình bày lý thuyết, khái niệm sở toán học gồm thuật toán, hàm liên quan đến phƣơng pháp lọc hạt (Particle filter) Chương 3: Sử dụng Particle Filter cho toán theo vết đối tượng Tiến hành thực nghiệm, đánh giá thuật tốn thơng qua việc chọn số lƣợng hạt chọn phƣơng pháp quan sát thích hợp cho toán Cải tiến thuật toán Particle filter cách kết hợp với Template Maching nhằm giải trƣờng hợp lỗi theo vết đƣợc Chương : Bài toán theo vết đối tượng 1.1 Giới thiệu Theo vết đối tƣợng thời gian thực công đoạn nhiều ứng dụng thị giác máy tính Một mục tiêu theo vết đối tƣợng để “hiểu” đƣợc chuyển động đối tƣợng, “hiểu” thông tin đối tƣợng gồm vị trí khơng gian, vận tốc chuyển động đặc trƣng vật lý khác Mức khó khăn vấn đề phụ thuộc vào loại đối tƣợng muốn phát theo vết Nếu nhƣ có vài đặc trƣng chẳng hạn nhƣ màu sắc … đƣợc dùng để biểu diễn đối tƣợng, dễ dàng xác định tất pixel màu với đối tƣợng Nhƣng thực tế hồn tồn khác, ví dụ nhƣ ngƣời cụ thể có đầy đủ chi tiết thông tin nhiễu chẳng hạn nhƣ tƣ chiếu sáng khác nhau, khó phát hiện, nhận diện theo vết Hầu hết khó khăn nảy sinh từ khả biến động ảnh video đối tƣợng video thƣờng đối tƣợng chuyển động Khi đối tƣợng chuyển động qua vùng quan sát camera, hình ảnh đối tƣợng thay đổi Sự thay đổi đến từ nguồn chính: thay đổi tƣ đối tƣợng, biến dạng đối tƣợng, thay đổi độ chiếu sáng, che khuất phần hay toàn đối tƣợng Có nhiều phƣơng pháp để giải tốn trên, phân thành bốn loại chính: dựa mơ hình, dựa miền, dựa đƣờng viền dựa đặc trƣng • Dựa mơ hình Dựa mơ hình phƣơng pháp tạo mơ hình cấu trúc đối tƣợng Nhƣng vấn đề q trình khởi tạo tự động khó, chi phí tính tốn cao độ phức tạp mơ hình • Dựa miền Phƣơng pháp dựa miền phƣơng pháp kết hợp miền với đối tƣợng đƣợc theo vết Miền đƣợc theo vết qua thời gian phép đo độ tƣơng tự Lợi ích PP khởi tạo dễ dàng, có vị trí kích thƣớc cửa sổ cần đƣợc định nghĩa • Dự đường viền Phƣơng pháp dựa đƣờng viền bao gồm tìm đƣờng viền bao đối tƣợng sau cố gắng làm khớp đƣờng viền với đối tƣợng frame sau Quá trình đƣợc lặp lại với mơ hình đƣờng viền đƣợc cập nhật Ƣu điểm cách tiếp cận là khả xử lý hiệu che khuất phần Nhƣng vấn đề yêu cầu khởi tạo xác, điều khó thực tự động • Dự đặc trưng Phƣơng pháp dựa đặc trƣng theo vết tập đặc trƣng đối tƣợng Chẳng hạn theo vết điểm góc đối tƣợng, vị trí đối tƣợng frame sau đƣợc tìm thấy cách tìm điểm góc mà khớp với điểm mơ hình Ƣu điểm cách tiếp cận xử lý đƣợc che khuất phần Khi đối tƣợng bị che khuất, số đặc trƣng cịn thấy đƣợc dùng q trình theo vết Khuyết điểm phƣơng pháp chất lƣợng theo vết phụ thuộc nhiều vào việc chọn đặc trƣng Các đặc trƣng phải đƣợc chọn cho chúng cung cấp nhận diện cho đối tƣợng, khơng phải nhiệm vụ dễ 67 NguoiDiChuyenNgang2 BinhHoa1 BinhHoa2 10 BinhHoa3 11 ChayTheoXeMay1 12 ChayTheoXeMay2 13 ChayTheoXeMay3 14 ChayTheoXeMay4 495 275 55.56 27 705 188 26.67 30 465 140 30.00 30 705 235 33.33 30 915 241 26.32 38 615 300 48.78 41 1,620 635 39.22 51 300 150 50.00 14 51.33 471 Tổng Cộng 10,590 5,436 Thời gian xử lý trung bình: 22.48 frame/giây Bảng 3.7: Thử nghiệm Template-based, số lượng hạt 100 STT Tập tin ( vi) NguoiDiBo1 NguoiDiBo2 NguoiDungYen ChayTheoXeOto1 ChayTheoXeOto2 NguoiDiChuyenNgang1 NguoiDiChuyenNgang2 BinhHoa1 BinhHoa2 10 BinhHoa3 Số frame Theo Tỉ lệ (%) TG xử lý (s) 165 155 94.12 17 510 406 79.55 44 945 537 56.82 44 1,230 984 80.00 50 1,230 946 76.92 52 690 488 70.69 58 495 337 68.18 44 705 363 51.52 33 465 323 69.44 36 68 11 ChayTheoXeMay1 12 ChayTheoXeMay2 13 ChayTheoXeMay3 14 ChayTheoXeMay4 Tổng Cộng 705 427 60.61 33 915 558 60.98 41 615 349 56.82 44 1,620 818 50.51 99 300 214 71.43 14 65.20 609 10,590 6,905 Thời gian xử lý trung bình: 17.39 frame/giây 69 Bảng 3.8: Thử nghiệm Template-based, số lượng hạt 300 STT Tập tin ( vi) NguoiDiBo1 NguoiDiBo2 NguoiDungYen ChayTheoXeOto1 ChayTheoXeOto2 NguoiDiChuyenNgang1 NguoiDiChuyenNgang2 BinhHoa1 BinhHoa2 10 BinhHoa3 11 ChayTheoXeMay1 12 ChayTheoXeMay2 13 ChayTheoXeMay3 14 ChayTheoXeMay4 Số frame Theo Tỉ lệ (%) TG xử lý (s) 165 158 95.90 25 510 408 80.01 99 945 681 72.02 1,230 1,002 81.50 65 1,230 963 78.30 68 690 483 70.00 133 495 345 69.60 99 705 417 59.10 68 465 332 71.30 59 705 464 65.80 68 632 69.09 99 615 400 65.05 90 1,620 1,148 70.89 273 300 256 85.45 28 72.61 1270 915 Tổng Cộng 10,590 7,689 Thời gian xử lý trung bình: 8.34 frame/giây 96 Bảng 3.9: Thử nghiệm Template-based, số lượng hạt 500 STT Tập tin ( vi) NguoiDiBo1 NguoiDiBo2 Số frame Theo Tỉ lệ (%) TG xử lý (s) 165 159 96.10 38 510 414 81.20 154 70 NguoiDungYen ChayTheoXeOto1 ChayTheoXeOto2 NguoiDiChuyenNgang1 NguoiDiChuyenNgang2 BinhHoa1 BinhHoa2 10 BinhHoa3 11 ChayTheoXeMay1 12 ChayTheoXeMay2 13 ChayTheoXeMay3 14 ChayTheoXeMay4 945 692 73.20 141 1,230 1,020 82.90 173 1,230 978 79.50 192 690 500 72.50 211 495 348 70.40 154 705 434 61.60 106 465 334 71.90 93 705 489 69.40 106 915 660 72.10 141 615 411 66.80 125 1,620 1,228 75.80 342 300 269 89.60 45 74.94 2021 Tổng Cộng 10,590 7,936 Thời gian xử lý trung bình: 5.24 frame/giây Bảng 3.10: Thử nghiệm Template-based, số lượng hạt 1000 STT Tập tin ( vi) NguoiDiBo1 NguoiDiBo2 NguoiDungYen ChayTheoXeOto1 ChayTheoXeOto2 NguoiDiChuyenNgang1 NguoiDiChuyenNgang2 Số frame Theo Tỉ lệ (%) TG xử lý (s) 165 161 97.80 91 510 422 82.80 315 945 689 72.90 255 1,230 1,053 85.60 357 1,230 1,017 82.70 376 690 523 75.80 433 71 BinhHoa1 BinhHoa2 10 BinhHoa3 11 ChayTheoXeMay1 12 ChayTheoXeMay2 13 ChayTheoXeMay3 14 ChayTheoXeMay4 495 357 72.10 342 705 460 65.30 213 465 345 74.20 190 705 496 70.40 213 915 718 78.50 338 615 425 69.10 296 1,620 1,268 78.30 813 300 274 91.30 114 77.51 4346 Tổng Cộng 10,590 8,208 Thời gian xử lý trung bình: 2.44 frame/giây 3.1.2.2 Nhận xét: Với phƣơng pháp quan sát rõ ràng kết ƣớc lƣợng theo vết tốt hơn, ổn định nhiều so với phƣơng pháp dùng biểu đồ màu, cải thiện đƣợc trƣờng hợp nhầm lẫn đối tƣợng nền, nhiên tốc độ xử lý chậm gấp lần Sở dĩ nhƣ với phƣơng pháp hệ thống phải xử lý đến màu (RGB) điểm ảnh Thời gian xử lý cho khung hình khơng giống nhau, phụ thuộc vào kích thƣớc đối tƣợng phụ thuộc vào kết ƣớc lƣợng khung hình trƣớc Nếu kết ƣớc lƣợng trƣớc khơng tốt bắt đầu rơi vào tình trạng thối hố mẫu từ sau gần nhƣ ta khơng thể theo vết đối tƣợng đƣợc Tình trạng giống với phƣơng pháp trên, mà đối tƣợng bị che khuất kết ƣớc lƣợng theo vết bắt đầu sai cứu vãn Khi số lƣợng hạt tăng lên gấp đôi từ 500 lên 1000 chi phí tính tốn tăng lên gấp đơi nhiên kết ƣớc lƣợng khơng tăng lên đáng kể 72 Tóm lại, phƣơng pháp phƣơng pháp phù hợp toán nghiên cứu Tuy nhiên kết theo vết tốt (1000 hạt lọc) đạt 77% nhƣng thời gian xử lý chậm (2.44 frame/giây) khơng đáp ứng đƣợc u cầu thời gian thực Muốn đáp ứng yêu cầu thời gian thực tốc độ xử lý hệ thống phải đảm bảo khoảng 15 frame/giây trở lên, ta phải chọn thông số khoảng 100 hạt lọc với kết ƣớc lƣợng đạt khoảng 65.02% Rõ ràng với kết chất lƣợng theo vết hệ thống cịn Vì phần trình bày giải pháp để cải tiến cho kết đạt tốt 3.2 Cải tiến thuật toán - kết hợp lọc Particle Template Matching Từ kết thực nghiệm phần ta có số nhận xét nhƣ sau: - Thứ hầu nhƣ kết ƣớc lƣợng bắt đầu sai kể từ sau hệ thống khơng thể theo vết đƣợc - Thứ hai tốc độ nhƣ kết ƣớc lƣợng phụ thuộc nhiều vào việc xác định ảnh mẫu ban đầu, nghĩa khoanh vùng chọn ảnh mẫu lớn tốc độ xử lý chậm nhƣng độ xác thƣờng cao so với chọn mẫu có kích thƣớc nhỏ, ảnh mẫu nhỏ dễ bị nhầm lẫn với - Thứ ba lúc số lƣợng hạt lọc tăng lên kết ƣớc lƣợng tăng lên tƣơng ứng Từ nhận xét cho thấy, khơng thể nâng cao độ xác cách tăng thêm số lƣợng hạt (particle) Vì chúng tơi xin đề xuất hai cải tiến thuật tốn nhằm tăng thêm độ xác tốc độ xử lý cho toán này: 73 - Đầu tiên ta kết hợp thêm thuật toán so khớp mẫu (Template Matching) vào thuật tốn lọc nhằm mục đích xác định lại đối tƣợng trƣờng hợp ƣớc lƣợng không cịn xác Sau ta khởi động lại q trình ƣớc lƣợng với vị trí đối tƣợng - Thứ hai, ta tính tốn cách tƣơng đối số lƣợng hạt lọc dựa vào kích thƣớc mẫu chọn để đảm bảo tốc độ xử lý thời gian thực đảm bảo mức độ xác cao 74 3.2.1 Xây dựng thuật toán PTM (Particle & Template Matching) Thuật toán PTM đƣợc mô tả nhƣ lƣu đồ sau Initialize particles New observation Particle generation … M … M Weigth computation Likelihood Detect ? height Normalize weights Resampling yes More Observations? no Exit low Template matching 75 3.2.2 Kết thử nghiệm Bảng 3.11: Thử nghiệm PTM, số lượng hạt 100 STT Tập tin ( vi) NguoiDiBo1 NguoiDiBo2 NguoiDungYen ChayTheoXeOto1 ChayTheoXeOto2 NguoiDiChuyenNgang1 NguoiDiChuyenNgang2 BinhHoa1 BinhHoa2 10 BinhHoa3 11 ChayTheoXeMay1 12 ChayTheoXeMay2 13 ChayTheoXeMay3 14 ChayTheoXeMay4 Số frame 165 Theo 158 Tỉ lệ (%) 95.90 TG xử lý (s) 18 510 456 89.50 48 945 831 87.90 48 1,230 1,178 95.80 54 1,230 1,162 94.50 57 690 553 80.10 63 495 376 75.90 48 705 521 73.90 36 465 345 74.10 39 705 548 77.80 36 915 786 85.90 45 615 504 81.90 48 1,620 1,486 91.70 108 300 296 98.50 Tổng Cộng 10,590 9,200 Thời gian xử lý trung bình: 15.97 frame/giây 86.87 15 663 Bảng 3.12: Thử nghiệm PTM, số lượng hạt 300 STT Tập tin ( vi) NguoiDiBo1 NguoiDiBo2 Số frame 165 Theo 161 Tỉ lệ (%) 97.60 TG xử lý (s) 24 76 NguoiDungYen ChayTheoXeOto1 ChayTheoXeOto2 NguoiDiChuyenNgang1 NguoiDiChuyenNgang2 BinhHoa1 BinhHoa2 10 BinhHoa3 11 ChayTheoXeMay1 12 ChayTheoXeMay2 13 ChayTheoXeMay3 14 ChayTheoXeMay4 510 462 90.50 138 945 846 89.50 133 1,230 1,187 96.50 98 1,230 1,169 95.00 95 690 576 83.50 185 495 409 82.70 138 705 531 75.30 95 465 358 76.90 93 705 550 78.00 140 915 799 87.30 138 615 520 84.60 125 1,620 1,492 92.10 378 300 296 98.60 24 88.35 1804 Tổng Cộng 10,590 9,356 Thời gian xử lý trung bình: 5.87 frame/giây Bảng 3.13: Thử nghiệm PTM, số lượng hạt 500 STT Tập tin ( vi) NguoiDiBo1 NguoiDiBo2 NguoiDungYen ChayTheoXeOto1 ChayTheoXeOto2 Số frame Theo Tỉ lệ (%) TG xử lý (s) 165 163 98.90 31 510 465 91.20 173 945 846 89.50 158 1,230 1,204 97.90 338 1,230 1,178 95.80 216 77 NguoiDiChuyenNgang1 NguoiDiChuyenNgang2 BinhHoa1 BinhHoa2 10 BinhHoa3 11 ChayTheoXeMay1 12 ChayTheoXeMay2 13 ChayTheoXeMay3 14 ChayTheoXeMay4 690 611 88.50 238 495 423 85.50 173 705 563 79.80 119 465 370 79.50 99 705 552 78.30 119 915 835 91.30 158 615 525 85.30 140 1,620 1,515 93.50 385 300 298 99.30 31 90.16 2378 Tổng Cộng 10,590 9,548 Thời gian xử lý trung bình: 4.45 frame/giây Ưu nhược điểm thuật toán PTM: Với phƣơng pháp lọc Particle kết hợp thêm Template Matching kết theo vết tốt lên đáng kể Tất nhiên thời gian xử lý tăng lên nhƣng hồn tồn chấp nhận đƣợc thời gian tăng lên nhƣng tƣơng xứng với kết đạt đƣợc Từ kết thực nghiệm cho ta thấy, số lƣợng hạt tăng lên gấp gấp lần… chi phí tính tốn tăng lên tƣơng ứng nhƣng khác biệt kết theo vết khơng nhiều Lý số lƣợng hạt dẫn đến ƣớc lƣợng thiếu xác, nhƣng bù lại đƣợc tính tốn khởi tạo lại thuật toán so khớp mẫu (Template Matching) bị sai lệch Trong q trình tính tốn thời gian tính cho khung hình (frame) khơng cịn giống lần thực thuật tốn so khớp mẫu thời gian tính tốn cho khung hình tăng lên đáng kể Thuật tốn so khớp 78 mẫu hoạt động khơng xác trƣờng hợp đối tƣợng cần theo trở nên nhỏ to so với ảnh mẫu ban đầu Từ kết ƣớc lƣợng tiếp tục sai hệ thống phải thực lại trình khớp mẫu 3.3 Nhận xét Trong chƣơng trình bày cách ứng dụng lọc hạt (Particle filter) vào toán theo vết đối tƣợng Đƣa số phƣơng pháp quan sát (Observation) chọn phƣơng pháp phù hợp, trình bày kết thử nghiệm đánh giá kết Qua trình tìm hiểu thử nghiệm nhiều giải pháp cho ta thấy với loại tốn chƣa có thuật tốn hay phƣơng pháp cho kết hồn hảo 90% kết cao mà đề tài đạt đƣợc nhiên thời gian xử lý (4.45frame/giây) lại khơng đảm bảo tính thời gian thực Vì ta phải chấp nhận kết thấp (vào khoảng 86%, số lƣợng hạt lọc khoảng từ 100 đến 300) để đảm bảo ƣu tiên cho tính thời gian thực tốn Các yếu tố hƣớng di chuyển, mơi trƣờng quan sát tính chất đối tƣợng đƣợc theo dõi có ảnh hƣởng nhiều đến kết theo vết Vì trƣờng hợp cụ thể ta điều chỉnh thơng số cho thích hợp để đạt đƣợc kết theo vết tốt 79 Kết luận Bản thân hệ thống thị giác ngƣời chƣa hồn thiện, chí vài trƣờng hợp ln nhầm lẫn Vì vậy, toán quan sát theo vết đối tƣợng kỹ thuật xử lý ảnh tốn khơng thể có kết xác hoàn hảo Mặc dù nghiên cứu đƣa giải pháp thông số đƣợc cho tối ƣu dựa kết thực nghiệm Ngồi đề tài trình bày sở lý thuyết, tảng toán học, vấn đề có liên quan đến tốn theo vết đối tƣợng Trong đề tài này, thuật toán lọc hạt (Particle filter) đƣợc sử dụng kết hợp với kỹ thuật so khớp mẫu (Template Matching) để giải toán Trong chƣơng cuối trình bày kết thực nghiệm tiến hành nhiều đoạn video khác để từ chọn thơng số nhƣ phƣơng pháp quan sát phù hợp Hƣớng phát triển đề tài : - Cải tiến thuật toán so khớp mẫu cho xảy trƣờng hợp mẫu cần so khớp có kích thƣớc q khác biệt so với mẫu thu thập đƣợc hệ thống hoạt động tốt - Phát triển kỹ thuật để tiến hành ghi nhận thêm nhiều mẫu đối tƣợng q trình theo vết Nhằm mục đích sử dụng thêm vào lúc so sánh mẫu trƣờng hợp thoái hố mẫu Tài liệu tham khảo [1] LÊ HỒI BẮC, TRƢƠNG THIÊN ĐỈNH (2004), “Hệ thống theo dõi giao thơng thị giác máy tính”, Tạp chí Phát triển KH-CN, tập 7, số 10/2004 [2] Andrew Blake, Michael Isard (1996), The CONDENSATION Algorithm Conditional Density Propagation and Applications to Visual Tracking, NIPS 1996: 361-367 [3] A.K Jain, Y Zhong, and S Lakshmanan (1996), “Object Matching Using Deformable Templates” , IEEE Trans Pattern Analysis and Machine Intelligence, vol 18, no 3, pp 267–278 [4] LE HOAI BAC, PHAM NAM TRUNG, LE NGUYEN TUONG VU (2006), “Applied Particle Filter in Traffic Tracking”, IEEE Transactions on signal processing [5] Darryl Morrell (2003) , “Filtering of Stochastic Processes”, Department of Electrical Engineering, Arizona State University, EEE 581 - Lecture [6] Greg Welch, Gary Bishop (2003), An introduction to the Kalman Filter, Department of Computer Science, University of North Carolina at Chapel Hill [7] H Nait-Charif, S McKenna (2003), Tracking Poorly Modelled Motion Using Particle Filters with Iterated Likelihood Weighting, Proc of Asian Conf on Comp Vis [8] Jun S Liu, Rong Chen (1998), Sequential Monte Carlo Methods for Dynamic Systems [9] Rudolph van der Merwe, Arnaud Doucet, Nando de Freitas, Eric A (2000), “The Unscented Particle Filter”, NIPS 2000: 584-590 [10] Stephen M Smith (1997), Reviews of Optical Flow, Motion Segmentation, Edge finding and Corner Finding, Department of Clinical Neurology, Oxford University, Oxford [11] W Krattenthaler, K.J Mayer, and M Zeiller (1994), “Point Correlation: A Reduced-Cost Template Matching Technique” Proc ICIP, pp 208–212 [12] Zhong Guo (2001), Object Detection and Tracking in Video, Department of Computer Science, Kent State University