3. Mở rộng của lọc Particle và ứng dụng trong theo vết đối tượng dựa vào video
3.1.2. Thuật toán ODAPF
Hàm ánh xạ tái sắp xếp F( )i có thể là bất kỳ hàm nào, tùy vào yêu cầu của bài toán. Đây chính là điểm mở của thuật toán MPF. Bằng cách thay đổi ánh xạ F( )i , ta sẽ
có được hệ thống như mong muốn.
MPF là thuật toán theo dõi đa đối tượng có mô hình tương đối đơn giản. Nó có thể được sử dụng trong nhiều ứng dụng thực tế, đặc biệt là bài toán theo dõi bằng thị giác máy tính. Tuy nhiên, điểm yếu của MPF nằm ở chỗ sự tương tác giữa các đối tượng bên trong mô hình chưa đủ chặt chẽ. Các đối tượng, các nguồn tín hiệu trong mô hình chỉ tương tác với nhau thông qua trọng số kết hợp nên cũng làm giảm đi phần nào sự
mềm dẻo của hệ thống.
3.1.2. Thuật toán ODAPF 3.1.2.1. Giới thiệu 3.1.2.1. Giới thiệu
Phần 3.1.1 đã trình bày những vấn đề lý thuyết liên quan đến MPF. MPF không đưa ra một thuật toán cụ thể mà bản thân nó là một khung thuật toán mở, trong đó trọng tâm là vấn đề duy trì biểu diễn của xác suất kết hợp đích.
Dựa trên ý tưởng của thuật toán Boosted Particle Filter [Okuma2004], trong đó tiến trình tái lựa chọn và tái sắp xếp mẫu được hỗ trợ bởi thuật toán AdaBoost, chúng tôi
đưa ra một thuật toán theo dõi đa đối tượng tổng quát, hoạt động dưới sự hỗ trợ của thuật toán phát hiện đối tượng (Object Detection Aided Particle Filter – ODAPF).
Luận văn tốt nghiệp
• Một là nó sử dụng thuật toán phát hiện đối tượng và dùng kết quả này trong hàm mật độ đề xuất. Bằng cách này, ODAPF thực sự tăng cường hiệu suất của thuật toán lọc Particle rất rõ rệt.
• Hai là kết quả phát hiện đối tượng cung cấp cho chúng ta một phương pháp khác để duy trì biểu diễn kết hợp. Phương pháp này hiệu quả hơn phương pháp tái sắp xếp có trong MPF.
Thuật toán ODAPF hoạt động dựa trên ý tưởng cải tiến hàm mật độđề xuất. Trong
đó, nó kết hợp thông tin của bước phát hiện đối tượng vào hàm mật độ đề xuất để cải thiện khả năng của thuật toán. Những thông tin này sẽđược sử dụng để tính toán sốđối tượng có trong một thời điểm nào có của thuật toán. Nó cũng được dùng để phát hiện ra những đối tượng mới, đồng thời tìm ra những đối tượng đi ra khỏi tầm kiểm soát của hệ thống (VD: trong theo dõi đối tượng bằng thị giác máy tính, khi đối tượng đi ra khỏi khung nhìn hoặc vào khung nhìn).
Luận văn tốt nghiệp
Gọi πdetect(x xt | t−1,zt) là hàm mật độ dạng Gauss có tâm tại xt−1, với ý nghĩa
( )
detect
π i chứa đựng những thông tin của bước phát hiện đối tượng. Theo [Okuma2004], hàm mật độđề xuất kết hợp có dạng (xem Hình 13)
( t | 1, t) ( t| 1, t) (1 ) ( t|
ODAPF t detect t t 1)
π x x− z =απ x x− z + −α π x x− (3.14)
Trong (3.14), tham số α có thể được biến đổi mà không ảnh hưởng đến sự hội tụ
của lọc Particle. Khi α=0, thuật toán trở thành một trường hợp của MPF. Khi α tăng dần, thuật toán của chúng ta sẽ càng đặt nhiều “niềm tin” vào trong kết quả phát hiện
đối tượng. Như vậy, tùy vào ngữ cảnh, chúng ta có thể tùy biến, thay đổi giá trị của của
α.
3.1.2.2. Thuật toán
Gọi xt ={xm t, ;m=1, ,… M} là tập các đối tượng tại thời điểm t. Trong đó, M là sốđối tượng có trong hệ thống, M có thể thay đổi theo thời gian. Gọi xt∗ ={x∗d t,;d =1, ,… D}
là tập biểu diễn kết quả phát hiện đối tượng của hệ tại thời điểm t tương ứng. Ta có { ,; 1, , } ( ) t d t d D DETECT t ∗ = ∗ = = x x … z với Dlà sốđối tượng phát hiện được.
Gọi ∗old t, { ∗d t, ∗t;min d t∗, m t, 1 dthresh}
−
= ∈ − ≤
x x x x x , với ngưỡng cho trước , là tập các kết quả phát hiện “cũ”, được hiểu theo nghĩa, nếu một phát hiện trong thời điểm quá gần với một trạng thái đã có tại thời điểm thresh d t 1 t− thì nó sẽđược xem là trùng với đối tượng đó. Một cách gần đúng, ta giảđịnh những phát hiện này xuất phát từđối tượng
đã có từ thời điểm t−1 trước đó.
Tương tự, ta định nghĩa x∗new t, =x xt∗ ∗old t, là tập những phát hiện “mới”, được hiểu theo nghĩa chúng có khoảng cách tương đối so với những trạng thái cũ và được xem là những thông tin mới.
Luận văn tốt nghiệp
Tại mỗi thời điểm thực hiện, ODAPF liên tục kiểm tra qua lại giữa những thông tin có được từ bước phát hiện đối tượng và những thông tin về trạng thái có được trước đó
để duy trì một tập những đối tượng tại thời điểm hiện tại.
Không giống như MPF, trong đó, số mẫu cho toàn bộ hệ thống là không đổi qua thời gian, ODAPF cho phép số lượng mẫu thay đổi để phù hợp với số lượng đối tượng có trong hệ thống.
Gọi NP là số lượng mẫu của một đối tượng. Như vậy, tập mẫu của hệ thống cho bởi Xt ={Xm t, ;m=1, ,… M} với Xm t, ={x( )m ti,;i=1, ,… NP}.
Với những định nghĩa trên, ta có chi tiết thuật toán ODAPF được trình bày như
trong Hình 14. Trong đó, hàm INITIALIZE NEW MODE_ _ ( )i là hàm khởi tạo trạng thái cho các phát hiện mới. Hàm này chịu trách nhiệm phát sinh các mẫu xung quanh vị
trí phát hiện. Ngược lại, hàm REMOVE WEAK MODE_ _ ( )i chịu trách nhiệm loại bỏ
những đối tượng quá “yếu”, hiểu theo nghĩa phân phối thành phần của nó đã không còn
đóng góp gì nhiều trong phân phối đích. Ta có thể thực hiện cài đặt hai hàm này theo một phương pháp bất kỳ, miễn là chúng vẫn giữđược ngữ nghĩa của chúng trong thuật toán ODAPF.
Luận văn tốt nghiệp
Thuật toán 4 ODAPF Tracker
( 1, ) t t t P ODAPF P= − z • Phát hiện đối tượng xt∗=DETECT( )zt . • Tìm những đối tượng cũ { , 1 } , , t;min , m t old t d t d t dthresh ∗ ∗ ∗ ∗ − = ∈ − ≤ x x x x x .
• Tìm những đối tượng mới xnew t∗ , =x xt∗ old t∗ , .
• Khởi tạo trạng thái cho các đối tượng mới
( , )
, 1 _ _ new t
new t INITIALIZE NEW MODE ∗
− = x x • Gán xt−1={xt−1,xnew t, 1− },Mt−1= xt−1 . • FOR m=1, ,… Mt−1 {Xm t, ,Wm t,}=PF X{ m t, 1− ,Wm t, 1− } với hàm mật độ đề xuất πODAPF • END FOR • Tính toán các trọng số kết hợp theo (3.12).
• Xóa bỏ các trạng thái yếu REMOVE WEAK MODE P_ _ ( )t .
Hình 14 Thuật toán ODAPF Tracker