Person Tracking

A Multiple Hypothesis Approach

Michael Huber

2Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Was ist Person Tracking?

Erkennung und Verfolgung von Bewegungen einer Person

Vorhersage der nächsten Position in einer Bildsequenz

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

3Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Ursprünge

Ursprünge in den 60er Jahren

Vorherberechnung von Bewegungen ursprünglich für Radartechnik

Blip 1

Blip 2

Blip 3

?

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

4Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Repräsentation des menschlichen Körpers

Stick Figure Volumenmodell

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

5Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

Scaled Prismatic Model - SPM

Bewegung senkrecht zur Bildebene wird durch Skalierung modelliert

6Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Kalman Filter

Reihe von Messwerten in allen bisherigen Zuständen

Geschätzter nächster MesswertKALMAN

FILTER

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

7Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Unimodale Wahrscheinlichkeitsdichte

Multimodale Wahrscheinlichkeitsdichte

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

8Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Single Mode TrackingVerwendung von Kalman Bänkenz.B. Monte Carlo Methode

p1 p2 p3

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

9Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Multiple Hypothesis Tracking1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

10Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Prediction Step

Aufruf des Kalman Filters für jedes Maximum

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

11Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Likelihood Computation

-Hypothesen aus dem Modell generieren (a)

-State Space search ausführen (b)

-Maxima bestimmen

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

12Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Posterior Update

-Verwendung des Saztes von Bayes

-Dominantes Maximum wir weiterverwendet

-Übrige Maxima werden verworfen

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

13Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Schematische Darstellung1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

14Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Algorithmus von INRIA

Volumenmodell

Edge detection zur Berechnung der Freiheitsgrade

Ansonsten auch Mode Based MHT

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

15Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Volumenmodellbasierter Algorithmus von INRIA

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

Versuchsergebnisse

16Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Single Mode Tracking(z.B. Monte Carlo)

MHT

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

17Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Single Mode Tracking(z.B. Monte Carlo)

MHT

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick

18Michael Huber

6.11.2003

Person Tracking

A multiple hypothesis approach

Ausblick

Real Time MHT

Verbesserte Occlusion Behandlung

Entwicklung von Interfaces

1. Grundlagen

2. MHT

3. Versuchsergebnisse

4. Ausblick