Difference between revisions of "Ricostruzione della traiettoria 3d di veicoli in intersezioni rotatorie"

From AIRWiki
Jump to: navigation, search
Line 15: Line 15:
 
* unire le informazioni delle riprese, quindi sincronizzare le immagini e fondere i tre filmati in modo che il filmato creato sia più semplice da analizzare;
 
* unire le informazioni delle riprese, quindi sincronizzare le immagini e fondere i tre filmati in modo che il filmato creato sia più semplice da analizzare;
 
* utilizzare il filmato creato per ricostruire in tre dimensioni la traiettoria delle auto che percorrono la rotonda.
 
* utilizzare il filmato creato per ricostruire in tre dimensioni la traiettoria delle auto che percorrono la rotonda.
 +
 +
==Come ricostruire le traiettorie in 3D==
 +
Per capire come costruire le traiettorie in 3D comincio ad implementare un lavoro già esistente ([http://dx.doi.org/10.1109/WMVC.2007.13 SongNevatia2007]
 +
===Sistema di Song e Nevatia===
 +
====MCMC per ogni frame====
 +
Il sistema implementato in un primo momento tratta i frame del video singolarmente, in maniera indipendente l'uno dall'altro. Partendo dall'immagine estratta con la background subtraction, viene ricercata la configurazione di veicoli che meglio approssima il foreground. Ciò che deve essere stimato per ogni frame è il numero di veicoli, la posizione e l'orientamento in 3D di essi. Il problema viene definito come un problema Bayesiano: viene definita la distribuzione a posteriori di probabilità di uno stato data l'immagine del frame corrente. Dato che non possibile conoscere in modo esaustivo questa distribuzione, viene campionata attraverso il metodo MCMC in particolare con il metodo [http://en.wikipedia.org/wiki/Metropolis%E2%80%93Hastings_algorithm Metropolis-Hastings]. La proposta di un nuovo stato nell'ambito di questo algoritmo avviene modificando lo stato della configurazione del campione corrente scegliendo casualmente tra:
 +
* aggiunta di un nuovo veicolo;
 +
* rimozione di un veicolo a caso;
 +
* rimpiazzamento di un veicolo: viene proposto un veicolo e viene eliminato quello più vicino;
 +
* modifica delle posizioni dei veicoli;
 +
* modifica degli orientamenti;
 +
=====Viterbi per la scelta degli stati da considerare=====
 +
Per scegliere le configurazioni migliori non viene scelto il campione a più alta probabilità, ma si preferisce utilizzare l'[http://en.wikipedia.org/wiki/Viterbi_algorithm algoritmo di Viterbi] per considerare quale storia delle configurazioni è più probabile.

Revision as of 11:03, 12 November 2011

Ricostruzione della traiettoria 3d di veicoli in intersezioni rotatorie
Coordinator: MatteoMatteucci (matteo.matteucci@polimi.it)
Tutor: DavideRizzi ()
Collaborator:
Students: Andrea Romanoni (andrea.romanoni@polimi.it)
Research Area: Computer Vision and Image Analysis
Research Topic:
Start: 2010/12/17
End: 2011/12/20
Status: Active
Level: Ms
Type: Thesis

La tesi ha lo scopo di estendere il lavoro esistente per il tracking e la ricostruzione delle traiettorie di veicoli che percorrono un intersezione rotatoria. Viene fornito in input un insieme di riprese di più telecamere della stessa scena, la rotonda in questione. Il software che verrà implementato dovrà:

  • unire le informazioni delle riprese, quindi sincronizzare le immagini e fondere i tre filmati in modo che il filmato creato sia più semplice da analizzare;
  • utilizzare il filmato creato per ricostruire in tre dimensioni la traiettoria delle auto che percorrono la rotonda.

Come ricostruire le traiettorie in 3D

Per capire come costruire le traiettorie in 3D comincio ad implementare un lavoro già esistente (SongNevatia2007

Sistema di Song e Nevatia

MCMC per ogni frame

Il sistema implementato in un primo momento tratta i frame del video singolarmente, in maniera indipendente l'uno dall'altro. Partendo dall'immagine estratta con la background subtraction, viene ricercata la configurazione di veicoli che meglio approssima il foreground. Ciò che deve essere stimato per ogni frame è il numero di veicoli, la posizione e l'orientamento in 3D di essi. Il problema viene definito come un problema Bayesiano: viene definita la distribuzione a posteriori di probabilità di uno stato data l'immagine del frame corrente. Dato che non possibile conoscere in modo esaustivo questa distribuzione, viene campionata attraverso il metodo MCMC in particolare con il metodo Metropolis-Hastings. La proposta di un nuovo stato nell'ambito di questo algoritmo avviene modificando lo stato della configurazione del campione corrente scegliendo casualmente tra:

  • aggiunta di un nuovo veicolo;
  • rimozione di un veicolo a caso;
  • rimpiazzamento di un veicolo: viene proposto un veicolo e viene eliminato quello più vicino;
  • modifica delle posizioni dei veicoli;
  • modifica degli orientamenti;
Viterbi per la scelta degli stati da considerare

Per scegliere le configurazioni migliori non viene scelto il campione a più alta probabilità, ma si preferisce utilizzare l'algoritmo di Viterbi per considerare quale storia delle configurazioni è più probabile.