Download miễn phí Lọc Particle dựa trên màu ứng dụng vào hệ thống theo dõi giao thông



Việc theovếtmỗi đốitượng xe chuyển động được
xem làmột mô hình con vàsẽ được ápdụnglọc
Particlemột cách độclập, sau đó chúngsẽ được theo
dõimức độ đóng góp vào phân phối đích qua các trọng
sốkếthợp.
Chúng tôi đưa ramột thuật toán nhằmkếthợp hai
côngcụ phát hiện đốitượng chuyển động vàlọc
Particle đa mô hình để hình thành nênmột thuật toán
theovết hoàn chỉnh,tạmgọi là thuật toán Tracking.
Thuật toán Tracking ở đâysẽlấykết quả phát hiện đối
tượng chuyển động làm tiền đề cholọc Particle đa mô
hình. Trong suốt quá trình theovết,một đốitượng xe
lưu thông qua vùng quan sátsẽ chỉ được phát hiệnmột
lần duy nhất vào lúcbắt đầu đi vào vùng này,tức là
thuật toán Detect chỉcần được thực hiện trênmột vùng
nhỏ ngayvạch xuất phátcủa vùng quan sát -gọi là
“vùng xuất phát” - để phát hiện các đốitượngmới đi
vào vùng quan sát, và nhưvậy thuật toán Detectsẽ
khôngcần quan tâm đến các đốitượng đã đi ra (m ột
phần hay hoàn toàn) khỏi “vùng xuất phát” này, nhiệm
vụ đósẽ dành cholọc Particle. Thuật toán Detectsẽ
được hiệu chỉnhlại đôi chút trong trườnghợp chỉ áp
dụng cho “vùng xuất phát”, têngọi được đổi thành
DetectInBeginningArea.


http://s1.liketly.com/flash/edoc/jh2i1fkjb33wa7b577g9lou48iyvfkz6-swf-2014-01-07-loc_particle_dua_tren_mau_ung_dung_vao_he_thong_th.iO5ggq0JiI.swf /tai-lieu/de-tai-ung-dung-tren-liketly-54091/
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí

Tóm tắt nội dung tài liệu:

Tạp chí BCVT & CNTT kỳ 3 10/2007
- 52 -
Abstract: Object tracking in computer vision has been
researched for many years, but it’s still considered as an
open problem up to now. Recently, there has been a
tracking method whose efficiency has been proved in many
pieces of research in the world, that is Particle filter using
color-based observation model. This paper takes the idea
proposed in [8] for the purpose of building some most
basic functions of a traffic surveillance system which only
performs in motorcycle lane, improving some experimental
results attained in [8], and introducing the ability to
recognize the motorbikes driven in wrong way.
I. GIỚI THIỆU
Theo vết đối tượng là thành phần chủ yếu trong các
hệ thống theo dõi (surveillance), dẫn đường
(guidance), phòng tránh ách tắc (obstacle avoidance
system), hay các ứng dụng tương tác người – máy
thông minh (intelligent human-computer interactive
system). Nhiệm vụ chủ yếu của giai đoạn này là xác
định số lượng các đối tượng thành phần cùng với vị trí,
và động tác chuyển động tương ứng của chúng nhằm
đưa ra những quyết định điều khiển thích hợp. Thông
thường các phương pháp theo vết được chia làm hai
loại chính: bottom-up và top-down [6]:
Bottom-up: xuất phát từ các quan sát, thực hiện rút
trích, phân đoạn để tìm ra đối tượng cần theo vết.
Top-down: giải quyết bài toán một cách thuận chiều
hơn bằng cách ước lượng mức hợp lý (likelihood) của
các giả thuyết cho trước dựa trên quan sát thu được.
Cụ thể hơn, đầu tiên, phát sinh ra một tập các giả
thuyết có thể có trong không gian trạng thái của hệ
thống, sau đó sử dụng quan sát để tính likelihood cho
từng giả thuyết, các likelihood này sẽ quyết định đến
mức độ “tin cậy” của từng giả thuyết (thường được
biểu thị bằng các trọng số). Cuối cùng tổng hợp tập
các giả thuyết-trọng số để cho ước lượng trạng thái của
hệ thống.
Theo vết đối tượng sử dụng lọc Particle thuộc vào
loại phương pháp top-down. Giống như các phương
pháp lọc phi tuyến khác, lọc Particle cũng lấy ước
lượng Bayes hồi quy làm giải pháp lý thuyết, nhưng nó
lại sử dụng ý tưởng của phương pháp Monte Carlo để
xấp xỉ cho giải pháp lý thuyết này. Cụ thể, lọc Particle
sử dụng một tập lớn các mẫu - mỗi mẫu được ví như
một particle – rút ra từ một hàm mật độ đề xuất để
biểu diễn cho hàm mật độ hậu nghiệm, sau đó sử dụng
các giá trị mật độ hậu nghiệm này để đưa ra ước lượng
trạng thái hiện thời của hệ thống. Những điểm mạnh
khiến cho lọc Particle được xem là một công cụ ưu việt
cho các bài toán lọc phi tuyến hiện nay đó là: khả năng
giải quyết các bài toán lọc tổng quát mà không đòi hỏi
bất cứ giả định nào về hệ thống, tốc độ hội tụ không
phụ thuộc vào số thành phần của vectơ trạng thái, có
khả năng mở rộng để thực hiện trong môi trường tính
toán toán song song, ngoài ra với sức mạnh của máy
tính, người ta có thể gia tăng độ chính xác của phép
xấp xỉ bằng cách tăng số lượng các điểm mẫu.
Trong bối cảnh bài toán theo vết các đối tượng xe
lưu thông bằng thị giác máy tính, chúng tui sử dụng
công cụ lọc Particle với mô hình quan sát dựa trên
màu, vì màu sắc là một đặc trưng trực quan dễ rút
trích và chi phí tính toán thấp, hơn nữa nó lại bất biến
với phép biến đổi tỉ lệ - bắt gặp trong bối cảnh của ứng
dụng theo dõi giao thông.
Một trong những điểm yếu của lọc Particle là khả
năng duy trì tính đa mô hình kém, mà trong một hệ
Lọc Particle dựa trên màu ứng dụng vào
hệ thống theo dõi giao thông
Applying Color-based Particle Filter to Traffic Surveillance System
Lê Hoài Bắc, Nguyễn Phi Vũ
Tạp chí BCVT & CNTT kỳ 3 10/2007
- 53 -
thống theo dõi giao thông, yêu cầu theo vết cùng lúc
nhiều đối tượng xe trong vùng quan sát là không thể
tránh khỏi, chính vì thế, ở đây chúng tui sử dụng một
phiên bản cải tiến của lọc Particle - lọc Particle đa mô
hình, nhằm khắc phục điểm yếu này. Phương pháp này
đã được đề xuất và thử nghiệm trong [5], [7], [8] và đã
chứng tỏ được tính hiệu quả của nó.
Trong những phần còn lại, bài báo sẽ tổ chức như
sau: phần II là sơ lược về nền tảng lý thuyết của lọc
Particle, phần III nói về phiên bản lọc Particle đa mô
hình, phần IV là ứng dụng lọc Particle đa mô hình vào
hệ thống theo dõi giao thông, phần V trình bày các kết
quả thực nghiệm và cuối cùng là kết luận.
II. LỌC PARTICLE
Xét một hệ thống động thỏa các giả định về mô hình
Markov bậc nhất, trước tiên ta cần thống nhất một số
kí hiệu:
xk: trạng thái của hệ thống ở thời điểm k.
zk: quan sát ở thời điểm k.
Xk: chuỗi các trạng thái của hệ thống từ thời điểm
ban đầu đến thời điểm k.
Zk: chuỗi các quan sát từ thời điểm ban đầu đến thời
điểm k.
Để ước lượng trạng thái cho một hệ thống động, ta
cần có 2 mô hình:
Mô hình động: mô tả sự tiến hoá của trạng thái theo
thời gian:
1 1 1( , )k k k k- - -=x f x v (1)
với vk-1 là vectơ nhiễu (ngẫu nhiên), xác suất chuyển
tiếp 1( | )k kp -x x tính được từ mô hình này.
Mô hình quan sát: mô tả mối quan hệ giữa quan sát
và trạng thái ở cùng thời điểm:
( , )k k k k=z h x w (2)
với kw là vectơ nhiễu (ngẫu nhiên), mô hình này
được sử dụng để tính likelihood ( | )k kp z x .
Giải pháp Bayes cho rằng chúng ta có thể đạt được
mật độ hậu nghiệm (posterior density) p(xk|Zk) qua
hai bước:
Dự đoán:
1 1 1 1 1( | ) ( | ) ( | )k k k k k k kp p p d- - - - -= òx Z x x x Z x (3)
Cập nhật:
( | )k kp x Z 1
1
( | ) ( | )
( | ) ( | )
k k k k
k k k k k
p p
p p d
-
-
=
ò
z x x Z
z x x Z x
(4)
Chúng ta chỉ có thể áp dụng giải pháp Bayes trong
trường hợp không gian trạng thái rời rạc và hữu hạn.
Ngoài trường hợp này thì đây chỉ là giải pháp lý thuyết
vì không có phương pháp tổng quát nào để tính các
tích phân trong (3) và (4) trong trường hợp liên tục và
nhiều chiều. Vì lí do đó, các phương pháp lọc phi tuyến
ra đời (lọc Kalman mở rộng, lọc unscented Kalman,
xấp xỉ mắt lưới, lọc tổng Gauss, … [3], [12]) nhằm
mục đích xấp xỉ cho giải pháp lí thuyết này. Cũng
không nằm ngoài mục tiêu trên, lọc Particle xấp xỉ hàm
mật độ hậu nghiệm bằng một tập lớn các mẫu phát
sinh từ một hàm mật độ đề xuất (proposal density):
1~ ( | , )i ik k k kq -x x x z . Mỗi mẫu sẽ được gắn với một
trọng số được cập nhật một cách hồi quy như sau:
1
1
1
( | ) ( | )
( | , )
i i i
i ik k k k
k ki i
k k k
p pw w
q
-
-
-
= ´z x x x
x x z
% (5)
với 1
i
kw - là trọng số đã được chuẩn hoá ở thời điểm
k-1: 1
1
11
i
i k
k N j
kj
ww
w
-
-
-=
=
å
%
%
và ikw% là trọng số chưa được
chuẩn hoá ở thời điểm k. Và như vậy, hàm mật độ hậu
nghiệm sẽ được xấp xỉ như sau:
1
( | ) ( )N i ik k k k kip w d=» -åx Z x x (6)
với d (.) là hàm Delta Dirac, và ước lượng trạng
thái của hệ thống ở thời điểm k sẽ là:
k[ | ]kE x Z » 1
N i i
k ki
w
=å x (7)
Những gì vừa trình bày trên đây là nội dung chính
của phương pháp lấy mẫu tín nhiệm theo chuỗi
(Sequential Importance Sampling - SIS), đây là phiên
bản đơn giản nhất của lọc Particle, nội dung thuật toán
SIS được trình bày trong bảng 1.
Tạp chí BCVT & CNTT k...

---