Graph construction Players tracking Input frame Background subtraction Graph construction Players detection Particle filter Players tracking Frame t T

Size: px

Start display at page:

Download "Graph construction Players tracking Input frame Background subtraction Graph construction Players detection Particle filter Players tracking Frame t T"

ゆみかたておか
7 years ago
Views:

1 (MIRU0) itoh@me.cs.scitec.kobe-u.ac.jp, {takigu,ariki}@kobe-u.ac.jp 7.5 SVM tracking-by-detection. [], [] mean-shift [4] [5] [6] [7] [8] Grabner [9] Implicit Shape Model(ISM) Grabner

2 Graph construction Players tracking Input frame Background subtraction Graph construction Players detection Particle filter Players tracking Frame t Transition Likelihood Resampling Frame t+ Frame t+ コンポーネント数 Detection likelihood. []. [0] []. G n i (t) t i t d i,j n i (t) n j (t + ) d max(i,j) t t + n (t) t + t n (t) t + e i,j n i (t) n j (t + ). (t = ) i n i (t) G. t + j n j (t + ) G

Frame t+ Frame t+ コンポーネント数 Detection likelihood. []. [0] [].

. n i (t) n j (t + ) 4. d i,j < d max(i,j) e i,j 5.. 6. 5 n ( t) n ( t) n ( t) n ( ) 4 t n ( t 5 ) n ( t + ) n ( t n ( t) n4 ( t + ) + Frame t Frame t+. ) n ( t + ) n5 ( t + ).

3 . n i (t) n j (t + ) 4. d i,j < d max(i,j) e i,j n ( t) n ( t) n ( t) n ( ) 4 t n ( t 5 ) n ( t + ) n ( t n ( t) n4 ( t + ) + Frame t Frame t+. ) n ( t + ) n5 ( t + ).. t + e,w 4 e 4,w 4 n w4 (t + ) t n (t) n 4 (t) t t + t t + n (t) Group n (t) Group Frame t Group Group [ ] t GroupX n (t) num GroupX num X num X = X(num ) 5 (a) t GroupX n (t) GroupX num X [ ] t + GroupX n wi (t + ) A p A p n wi (t + ) A w A w A w A p 5 (a) n w (t + ) n w (t + ) A w A w 4 9 (b) A p 0 9 [ ] t GroupX num X n w (t+) GroupX t + num X num X num w = Frame t+ e,w e,w e,w e,w w w w e,w 4 w 4 e 4,w 4 5 (c) n w (t + ) n w (t + ) num w num w 0 GroupX num X

. 4 5 [ ] t GroupX n (t) num GroupX num X num X = X(num ) 5 (a) t GroupX n (t) GroupX num X [ ] t + GroupX n wi (t + ) A p A p n wi (t + ) A w A w A w A p 5 (a) n

4 [ 4] t GroupX num X 0 t + A w n w (t + ) A w A w A p num X num X num w num w + 5 (c) n w (t + ) n w (t + ) A w A w 9 n w (t + ) A w (d) A w A p 0-8 n w (t + ) num w GroupX num X 0 GroupX (d) b y {Min = (x ymin,y min )} y {Max = (x ymax,y max )} 6 c Min Max x 6 c o y x y min y max Frame t Background subtraction (a)sample (b)background subtraction (c)detection 6 Frame t+ Frame t Frame t+ Area Group X 05 4 Number of components Group X w w w w w w w Group X Group X (a) num X = (b) num X = (c) num X = (d) num X = 0 5 w b y {Min = (x ymin,y min )} y {Max = (x ymax,y max )} SVM [] 4. o x SVMによる検出 4. y min trackingby-detection y y max (a)sample (b)background subtraction (c)detection SVM

. 6 b y {Min = (x ymin,y min )} y {Max = (x ymax,y max )} 6 c Min Max x 6 c o y x y min y max Frame t Background subtraction (a)sample (b)background subtraction (c)detection 6 Frame t+

5 8 0 ϵ p ϵ ϵ a [] t x p () x p = [p x, p y, x, y, a x, a y ] T () x p p x p y x y a x a y p x p y t β t () x p (t) = C x p (t β) + Υ () I βi (β /)I C = O I βi O O I Υ = [ϵ p J, ϵ J, ϵ a J ] T I J Υ ϵ p ( ), ϵ ( ), ϵ a () SVM 00 [6] det k (k = 0,, K) tr r (r = 0,, K) (tr r, det k ) s(tr r, det k ) () K k r s(tr r, det k ) = g(tr r, det k ) ( α p N p g(tr r, det k ) = p(size det k tr r ) = N p p tr r (p N (det k p) + p p C )) () p N ( size p size detk ) (4) size p p tr r p p C = Σ i,j {I(i, j) Ī} {T (i, j) T } Σi,j {I(i, j) Ī} Σ i,j {T (i, j) T } (5) p N (det k p) N(det k p; 0, σ det k I ) tr r p = [p x, p y ] det k g(tr r, det k ) size p p y p y size det k det k N p I p N ( size p size det k size tr r ) tr r p = [p x, p y ] det k α p σ det k p p C (5)

6 (5) (i, j) I(i, j) (i, j) T (i, j) Ī T s(tr r, det k ) S (a) Greedy (tr, det ) (b) S det tr (c) (d) r tr k det Matching Matrix S r k s( tr,det ) (a)sの作成 n tr m det delete (c) 最大値のn 行 m 列を削除 4.. r tr max n m tr とdet を連結 r tr k det (b) 最大値 (n 行 m 列 )を求める k det (d)(b)-(c)の繰り返し tr p ω tr, p y t (6) p p D p p H p p C ω tr, p = p(y t x t ) = p p D + β p p p H + ( β p ) p p C (6) β p = p N (min i P dist i) (7) p p D p p D = α p N (( p det ) ) (8) num comp = α = A estimate A real num comp > p N (( p det ) ) p det 0 α α A estimate A real num comp I(tr ) α α α p p D (6) p p H p p C (7) β p p p H p p C p N dist i i P Earth Moer s Distance [], [4] p p H = p N(EMD( p, T )) (9) (9) EMD( p, T ) p T Earth Moer Distance p p H p p C (5) Earth Moer s Distance(EMD) 5.

. r tr max n m tr とdet を連結 r tr k det (b) 最大値 (n 行 m 列 )を求める k det (d)(b)-(c)の繰り返し tr p ω tr, p y t (6) p p D p p H p p C ω tr, p = p(y t x t ) = p p D + β p p p H + ( β p ) p p C (6)

5. 80 70 0fps 8 ( 50 0 06 0 06 07 Method A p( ) Conentional method 7.5 Proposed method without occlusion likelihood α 78. Proposed method with occlusion likelihood α 79.50 5.

7 fps 8 ( Method A p( ) Conentional method 7.5 Proposed method without occlusion likelihood α 78. Proposed method with occlusion likelihood α (0) A p Tracking accuracy Conentional method Proposed method A p = SP S P i= j= W i,j N i,j (0) N i,j i j W i,j i j 0 S P α α

50 5. (0) A p Tracking accuracy 00 90 80 70 60 Conentional method Proposed method A p = SP S P i= j=

象らしさを表すことができるため追跡精度の向上が期待できる文図 4 追跡結果の選手を重複して追跡してしまうことが挙げられる前者に関しては同一チームのためユニフォームの色が同じであることにより追跡が逆転してもパーティクルフィルタの尤度は低下しないことが要因と考えられる後者に関しては時間状況グラフのコンポーネント数の誤りが要因と考えられる今後の課題として

8 象らしさを表すことができるため追跡精度の向上が期待できる文図 4 追跡結果の選手を重複して追跡してしまうことが挙げられる前者に関しては同一チームのためユニフォームの色が同じであることにより追跡が逆転してもパーティクルフィルタの尤度は低下しないことが要因と考えられる後者に関しては時間状況グラフのコンポーネント数の誤りが要因と考えられる今後の課題としてゴール前などの選手密集地域における追跡精度の向上が挙げられるそのためにはまず背景差分の精度向上が必要となる背景差分によって正確に選手領域を抽出することは時間状況グラフのコンポーネント数決定の精度向上につながり選手の検出精度にも関係してくるため重要であるまたコンポーネント数の訂正アルゴリズムを導入する必要があると考えられるコンポーネント数の誤りは検出精度と直接関係していて追跡精度低下の要因となるためであるまたパーティクルフィルタの尤度評価においては現在はヒューリスティックに求めているパラメータがあるためこれらを動的に最適化すれば精度が向上すると考えられるまた状態空間を様々な特徴量を主成分分析 (PCA) して得られる部分空間とすることでより追跡対献 [] Pascual J. Figueroa a, Neucimar J. Leite, Ricardo M.L. Barros, Tracking soccer players aiming their kinematical motion analysis, Computer Vision and Image Understanding (CVIU), pp. -5, 005. [] M. Zheng and D. Kudenko, Automated Eent Recognition for Football Commentary Generation, International Journal of Gaming and Computer-Mediated Simulations (IJGCMS), Vol., pp , 00. [] V. Toinkere and R. J. Qian, Detecting Semantic Eents in Soccer Games: Towards A Complete Solution, IEEE International Conference on Multimedia & Expo (ICME), pp , 00. [4] K. Okuma, A. Taleghani, N. D. Freitas, J. J. Littele and D. G. Lowe, A Boosted Particle Filter: Multi target Detection and Tracking, The 8th European Conference on Computer Vision (ECCV), pp. 8-9, Prague, Czech, May 004. [5] 片山徹, 応用カルマンフィルタ, 朝倉書店, 000. [6] M. Breitenstein, F. Reichin, B. Leibe, E. Koller-Meier and L. V. Gool, Robust tracking-by-detection Using a Detector Confidence Particle Filter, The th IEEE International Conference on Computer Vision (ICCV), pp. 55-5, [7] 澤田裕介, 尺長健, 仮説検証に基づく自然環境下での複数歩行者追跡, 画像の認識理解シンポジウム (MIRU),pp , 0-7. [8] Takuro Nishino, Yasuo Ariki, Tetsuya Takiguchi, Tracking of Multiple Soccer Players Using a D Particle Filter Based on Detector Confidence, Adances in Computer Science and Engineering(ACSE),pp. 904, 0. [9] H.Grabner, J.Matas, L.Van Gool, P.Cattin, Tracking the Inisible: Learning Where the Object Might be, Computer Vision and Pattern Recognition (CVPR),pp. 85-9, 00. [0] 森田真司, 山澤一誠, 寺沢征彦, 横矢直和, 全方位画像センサを用いたネットワーク対応型遠隔監視システム, 電子情報通信学会論文誌 D-II), Vol. J88-D-II, No. 5, pp , [] 樋口知之, 粒子フィルタ, 電子情報通信学会誌, Vol. 88, No., pp , [] M.J. Vapnik, The Nature of Statistical Learning Theory,, Springer, Heidelberg, 00. [] Y. Rubner, C. Tomasi and L. J. Guibas, The Earth Moer s Distance a Metric for Image Retrieal, International Journal of Computer Vision (IJCV), Vol. 40, No., pp. 99-, No [4] X. Wan and Y. Peng, The Earth Moer s Distance as a Semantic Measure for Document Similarity, Proc. of the 4th ACM International Conference on Information and Knowledge Management, pp. 0-0, 005.

係していて追跡精度低下の要因となるためであるまたパーティクルフィルタの尤度評価においては現在はヒューリスティックに求めているパラメータがあるためこれらを動的に最適化すれば精度が向上すると考えられるまた状態空間を様々な特徴量を主成分分析 (PCA) して得られる部分空間とすることでより追跡対献 [] Pascual J. Figueroa a, Neucimar J.

(MIRU2008) HOG Histograms of Oriented Gradients (HOG)

(MIRU2008) HOG Histograms of Oriented Gradients (HOG) (MIRU2008) 2008 7 HOG - - E-mail: katsu0920@me.cs.scitec.kobe-u.ac.jp, {takigu,ariki}@kobe-u.ac.jp Histograms of Oriented Gradients (HOG) HOG Shape Contexts HOG 5.5 Histograms of Oriented Gradients D Human