Rastreo - Lección 31
Transcript of Rastreo - Lección 31
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
RastreoLeccion 31
Dr. Pablo Alvarado Moya
CE5201 Procesamiento y Analisis de Imagenes DigitalesArea de Ingenierıa en Computadores
Tecnologico de Costa Rica
I Semestre, 2017
P. Alvarado — TEC — 2017 Rastreo 1 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Contenido
1 Introduccion
2 Rastreador de desplazamiento de mediasDesplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
3 Rastreador MOSSEFiltros de correlacionPreprocesamientoFiltros MOSSE
P. Alvarado — TEC — 2017 Rastreo 2 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Rastreadores
P. Alvarado — TEC — 2017 Rastreo 3 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Rastreo
Rastreo (tracking): proceso de localizar un objeto/region en elespacio y tiempo.
Necesita secuencia de imagenes (vıdeo)
Usos:
Interaccion humano-maquinaSeguridad y vigilanciaCompresionRealidad aumentadaControl de traficoImagenes medicas y biologicasEdicion de videoVisual servoing
Puede rastrearse uno o varios objetos
P. Alvarado — TEC — 2017 Rastreo 4 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Rastreador dedesplazamiento de medias
P. Alvarado — TEC — 2017 Rastreo 5 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Desplazamiento de medias (1)Mean-shift
Procedimiento de desplazamiento de medias se uso ensegmentacion
Permite encontrar modas de funcion de densidad probabilıstica
Sea {xi}i=1...n un conjunto de n puntos d-dimensionales
La densidad estimada con el kernel K (x) para el punto x es
f (x) =1
nhd
n∑i=1
K
(x− xih
)con h el ancho de banda (radio de la ventana)
P. Alvarado — TEC — 2017 Rastreo 6 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Desplazamiento de medias (2)Mean-shift
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
Ca
ract.
2
Caract. 1
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
Ca
ract.
2
Caract. 1
Si se minimiza el error global entre la estimacion y la densidadverdadera, se obtiene el kernel de Epanechnikov
KE (x) =
{1
2cd(d + 2)(1− ‖x‖2) si ‖x‖ < 1
0 en otro caso
con cd el volumen de la hiperesfera unitaria d-dimensional
P. Alvarado — TEC — 2017 Rastreo 7 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Desplazamiento de medias (3)Mean-shift
Otro kernel muy usado es el normal
KN(x) = (2π)−d/2 exp
(−1
2‖x‖)
P. Alvarado — TEC — 2017 Rastreo 8 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Perfil de kernel
Los kernel se pueden definir radialmente con perfiles
k : [0,∞)→ R K (x) = k(‖x‖2)
‖x‖
k(‖x‖2)
kE : EpanechnikovkN : Normal
Estimacion de densidad se reexpresa entonces como
fK (x) =1
nhd
n∑i=1
k
(∥∥∥∥x− xih
∥∥∥∥2)
P. Alvarado — TEC — 2017 Rastreo 9 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Estimacion de gradiente de densidad (1)
Suponemos que el gradiente de la densidad se puede calcularcon el gradiente de la estimacion de la densidad:
∇fK (x) ≡ ∇fK (x) =2
nhd+2
n∑i=1
(x− xi )k′
(∥∥∥∥x− xih
∥∥∥∥2)
=2
nhd+2
n∑i=1
(xi − x)g
(∥∥∥∥x− xih
∥∥∥∥2)
donde g(x) = −k ′(x)
∇fK (x) =2
nhd+2
[n∑
i=1
g
(∥∥∥∥x− xih
∥∥∥∥2)]
∑ni=1 xig
(∥∥∥x−xih
∥∥∥2)
∑ni=1 g
(∥∥∥x−xih
∥∥∥2) − x
P. Alvarado — TEC — 2017 Rastreo 10 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Estimacion de gradiente de densidad (2)
∇fK (x) =2
nhd+2
[n∑
i=1
g
(∥∥∥∥x− xih
∥∥∥∥2)]
︸ ︷︷ ︸fG (x) 2/C
h2
∑n
i=1 xig
(∥∥∥x−xih
∥∥∥2)
∑ni=1 g
(∥∥∥x−xih
∥∥∥2) − x
︸ ︷︷ ︸
Mh,G (x)
con
Mh,G (x) el vector de desplazamiento de media
fG (x) 2/Ch2 el estimado de densidad en x usando el kernel
G (x) = Cg(‖x‖2) = −Ck ′(‖x‖2)
y C una constante de normalizacion.
P. Alvarado — TEC — 2017 Rastreo 11 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Estimacion de gradiente de densidad (3)
De lo anterior se deriva:
Mh,G (x) =h2
2/C
∇fK (x)
fG (x)
lo que indica que el vector de desplazamiento de mediasobtenido con el kernel G es un estimado del gradiente dedensidad normalizado, estimado con el kernel K .
P. Alvarado — TEC — 2017 Rastreo 12 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Procedimiento de desplazamiento de medias
El procedimiento de desplazamiento de medias calcula elvector de desplazamiento Mh,G (x) y traslada el centro delkernel G por Mh,G (x)
Sea {yj}j=1,2... la sucesion de posiciones del kernel G
yj+1
=
∑ni=1 xig
(∥∥∥yj−xih
∥∥∥2)
∑ni=1 g
(∥∥∥ yj−xih
∥∥∥2)
Si el kernel K tiene un perfil convexo y monotonicamentedecreciente, entonces la secuencia de y
jconverge.
P. Alvarado — TEC — 2017 Rastreo 13 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Problema de rastreo
En segmentacion, aplicamos el desplazamiento de medias apuntos en (L, u, v , x , y)
¿Que usamos para el rastreo?
Se busca posicion y en la imagen actual cuya distribucion decolores se parezca lo mas posible a la distribucion meta
Sea
z la caracterıstica del pixel (color, textura, etc.)qz la funcion de densidad de z del modelo (histogramanormalizado)pz(y) la funcion de densidad centrada en y para un candidato
P. Alvarado — TEC — 2017 Rastreo 14 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Error de clasificacion
Enfoque como problema de clasificacion (invertido)
Error de clasificacion depende de similitud de distribuciones
1 2 3 4 5 6
0,1
0,2
0,3
0,4
Se busca entonces maximizar el error de Bayes asociado a lasdistribuciones de modelo y de candidato
Supuesto: la meta tiene la misma probabilidad de desplazarseen vecindario alrededor de y
P. Alvarado — TEC — 2017 Rastreo 15 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Error de clasificacion
Enfoque como problema de clasificacion (invertido)
Error de clasificacion depende de similitud de distribuciones
1 2 3 4 5 6
0,1
0,2
0,3
0,4
Se busca entonces maximizar el error de Bayes asociado a lasdistribuciones de modelo y de candidato
Supuesto: la meta tiene la misma probabilidad de desplazarseen vecindario alrededor de y
P. Alvarado — TEC — 2017 Rastreo 15 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Error de clasificacion
Enfoque como problema de clasificacion (invertido)
Error de clasificacion depende de similitud de distribuciones
1 2 3 4 5 6
0,1
0,2
0,3
0,4
Se busca entonces maximizar el error de Bayes asociado a lasdistribuciones de modelo y de candidato
Supuesto: la meta tiene la misma probabilidad de desplazarseen vecindario alrededor de y
P. Alvarado — TEC — 2017 Rastreo 15 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Coeficiente de Bhattacharyya
Coeficiente de Bhattacharyya esta relacionado con error deBayes:
ρ(y) ≡ ρ[p(y), q] =
∫ √pz(y)qz dz
Se usa ρ(y) para comparar estimaciones de las distribucionespor medio de histogramas con m celdas:
ρ(y) =m∑
u=1
√pu(y)qu
Histogramas no son la mejor estimacion no-parametrica, peroson rapidos de calcular
La distancia entre dos distribuciones se puede definir como:
d(y) =√
1− ρ[p(y), q]
P. Alvarado — TEC — 2017 Rastreo 16 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Calculo del modelo meta
Modelo meta corresponde a ventana a rastrearCada posicion de ventana rastreada tiene un peso menorconforme se alejan del centroSean
{x∗i }i=1...n las posiciones de modelo meta, centrado en 0b : IR2 → {1 . . .m} mapeo de posicion en ventana a ındice decelda del histograma correspondiente al color del pixelk un perfil de kernel decreciente, monotonico, convexo ynormalizado a ventana del modelo
Entonces el modelo meta se calcula con:
qu = Cn∑
i=1
k(‖x∗i ‖2)δ[b(x∗i )− u]
C =1∑n
i=1 k(‖x∗i ‖2)para que
m∑u=1
qu = 1
P. Alvarado — TEC — 2017 Rastreo 17 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Calculo de candidatos
La estimacion del modelo de un candidato es:
pu(y) = Ch
nh∑i=1
k
(∥∥∥∥y − xih
∥∥∥∥2)δ[b(xi )− u]
Ch =1∑nh
i=1 k
(∥∥∥y−xih
∥∥∥2) para que
m∑u=1
pu = 1
con
{xi}i=1...nh las posiciones de los pıxeles de la ventana candidatay el centro de la ventana candidatak el mismo kernel usado por el modelo meta pero con radio hCh constante de normalizacion
P. Alvarado — TEC — 2017 Rastreo 18 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Minimizacion de distancia (1)
Posicion y mas probable es aquella que minimiza
d(y) =√
1− ρ[p(y), q]
Eso es equivalente a maximizar el coeficiente deBhattacharyya ρ(y)
La busqueda en cuadro actual inicia en la posicion y0
estimada en el cuadro anterior
Primero se estiman las probabilidades de color {pu(y0)}u=1...m
P. Alvarado — TEC — 2017 Rastreo 19 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Minimizacion de distancia (2)
Usando series de Taylor, el coeficiente se aproxima para y con
ρ[p(y), q] ≈ 1
2
m∑u=1
√pu(y
0)qu +
1
2
m∑u=1
pu(y)
√qu
pu(y0)
valido si la distribucion {pu(y)}u=1...m no cambia muchorespecto a y
0
Introduciendo la estimacion de pu(y)
pu(y) = Ch
nh∑i=1
k
(∥∥∥∥y − xih
∥∥∥∥2)δ[b(xi )− u]
en la aproximacion del coeficiente de Bhattacharyya se obtiene
P. Alvarado — TEC — 2017 Rastreo 20 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Minimizacion de distancia (3)
ρ[p(y), q] ≈ 1
2
m∑u=1
√pu(y
0)qu +
Ch
2
nh∑i=1
wik
(∥∥∥∥y − xih
∥∥∥∥2)
con
wi =m∑
u=1
δ[b(xi )− u]
√qu
pu(y0)
El segundo termino debe ser maximizado para minimizar ladistancia
El segundo termino representa el estimado de densidad usandoel perfil de kernel k en y en la imagen actual con pesos wi
Maximizacion se puede hacer eficientemente condesplazamiento de medias
P. Alvarado — TEC — 2017 Rastreo 21 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Maximizacion del coeficiente de Bhattacharyya (1)
Dada la distribucion {qu}u=1...m del modelo meta y la posiconestimada y
0de la imagen anterior:
1 Inicialice posicion en imagen actual con y0, calcule la
distribucion {pu(y0)}u=1...m y evalue
ρ[p(y0), q] =
m∑u=1
√pu(y
0)qu
2 Calcule los pesos wi con
wi =m∑
u=1
δ[b(xi )− u]
√qu
pu(y0)
P. Alvarado — TEC — 2017 Rastreo 22 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Maximizacion del coeficiente de Bhattacharyya (2)
3 Con el vector de desplazamiento de medias, calcule lasiguiente posicion
y1
=
∑nhi=1 xiwig
(∥∥∥∥ y0− xih
∥∥∥∥2)
∑nhi=1 wig
(∥∥∥∥ y0− xih
∥∥∥∥2)
Actualice {pu(y1)}u=1...m y evalue
ρ[p(y1), q] =
m∑u=1
√pu(y
1)qu
P. Alvarado — TEC — 2017 Rastreo 23 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Maximizacion del coeficiente de Bhattacharyya (3)
4 Mientras que ρ[p(y1), q] < ρ[p(y
0), q]
fuerce y1← 1
2
(y
0+ y
1
)5 Si ‖y
1− y
0‖ < ε pare
De otro modo: y0→ y
1y regrese a 1.
El paso 4. valida la nueva posicion y asegura que el coeficientede Bhattacharyya se incremente
Solo 0, 1 % de las maximizaciones requieren paso 4
Umbral ε se elige de modo que y0
y y1
esten en mismo pixel
Rastreo repite el proceso para la sucesion de imagenes
P. Alvarado — TEC — 2017 Rastreo 24 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Adaptacion de la escala
Si objetos se alejan o acercan tamano de ventana debeajustarse
El radio h del perfil del kernel se puede ajustar en un rango
Artıculo original varia h en ±10 %
Se elije el nuevo radio que produce el mayor decremento dedistancia
Un filtro IIR se usa para combinar radios anteriores y actual
P. Alvarado — TEC — 2017 Rastreo 25 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Desplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
Ejemplos
Ejemplos
P. Alvarado — TEC — 2017 Rastreo 26 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Rastreador MOSSE
P. Alvarado — TEC — 2017 Rastreo 27 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Rastreador MOSSEFiltro MOSSE
Rastreador MOSSE pertenece a los filtros adaptativos decorrelacion
Propuesto por David S. Bolme y otros (Colorado StateUniversity) en IEEE CVPR 2010
Algoritmo moderno mas rapido comparado a esquema anterior
MOSSE: Minimum Output Sum of Squared Error
Filtros de correlacion estables aun inicializados con una solaimagen
P. Alvarado — TEC — 2017 Rastreo 28 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Rastreo con correlacion
Metodo ingenuo de correlacion: correlacion directa conventana a rastrear
Este metodo produce respuestas falsas en el fondoNo es robusto a variaciones en la aparienciaPierde el objeto facilmente
Idea es sintetizar otros tipos de filtros robustos ante cambiosde apariencia y con mayor discriminancia entre fondo y objeto
Metodo MOSSE es robusto a rotacion, escala, iluminacion yocultamiento parcial
Metodos de deteccion ASEF y UMACE necesitaban unengorroso proceso de entrenamiento y no sirven entonces pararastreo
P. Alvarado — TEC — 2017 Rastreo 29 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Rastreadores basados en filtros
El “blanco” se escoge en la primera imagen con una ventanacentrada en el objeto a rastrear
De ahı en adelante el rastreo y el entrenamiento del filtrotrabajan juntos
El blanco se rastrea correlacionando el filtro en una ventanade busqueda en imagen siguiente
El pico de correlacion indicara nueva posicion del blanco
El filtro se actualiza usando la informacion de la nuevaposicion
La correlacion se calcula en el dominio de frecuencia
P. Alvarado — TEC — 2017 Rastreo 30 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Respuestas de filtros de correlacion
P. Alvarado — TEC — 2017 Rastreo 31 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Razon pico a lobulo lateral
La razon pico a lobulo lateral (PSR, peak-to-sidelobe ratio)permite detectar oclusiones o fallas de rastreo.
Si PSR es bajo, proceso de actualizacion de modelo rastreadoen lınea puede detenerse para reasumir en una reaparicion
P. Alvarado — TEC — 2017 Rastreo 32 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Preprocesamiento
La convolucion rapida (en dominio de frecuencia) ocurre bajoefectos de simetrıa toroidal
Posible solucion: utilizar rellenado de ceros (padding)
Otra solucion: enventanar
En el caso de MOSSE
Se aplica funcion log para ayudar en situaciones de iluminacionpobreSe normalizan los valores de pıxeles para tener media 0 ynorma 1Se multiplica la ventana con ventana cosenoidal que reducevalores en bordes a cero (funcion similar a kernel k en metodode desplazamiento de medias)
P. Alvarado — TEC — 2017 Rastreo 33 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Filtros MOSSE (1)
La correlacion en el espacio es igual a la convolucion con elkernel reflejado
Sea
f la imagen de entrada y F = F {f }h el filtro y H = F {h}
Por la simetrıas toroidal y hermıtica, y con las propiedades dela DFT
g(x , y) = f (x , y)∗h(−x ,−y)� G (ωx , ωy ) = F (ωx , ωy )H∗(ωx , ωy )
Asumase un conjunto de imagenes de entrenamiento fi y desalidas gi
Para gi� Gi tomese un impulso gaussiano centrado en elblanco de la imagen de entrenamiento fi� Fi
P. Alvarado — TEC — 2017 Rastreo 34 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Filtros MOSSE (2)
Ası, se puede calcular el filtro con:
Hi∗ =
Gi
Fi
Para mapear las entradas a las salidas, MOSSE encuentra elfiltro H que minimiza la suma de los cuadrados de erroresentre la salida real y la salida deseada:
mınH∗
∑i
|FiH∗ − Gi |2
P. Alvarado — TEC — 2017 Rastreo 35 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Filtros MOSSE (3)
Eso se deriva e iguala a cero para cada componentefrecuencial:
∂
∂H∗(ωx , ωy )
∑i
|Fi (ωx , ωy )H∗(ωx , ωy )− Gi (ωx , ωy )|2 = 0
lo que resulta en el filtro MOSSE
H∗ =
∑i GiFi
∗∑i FiFi
∗ =
∑i GiFi
∗∑i ‖Fi‖2
El numerador es la correlacion entre entrada y salida deseada
El denominador es el espectro de energıa de la entrada
Para producir las imagenes de entrenamiento se usantransformaciones afines aleatorias de la ventana a rastrear enla imagen inicial
P. Alvarado — TEC — 2017 Rastreo 36 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Filtros MOSSE (4)
Durante el rastreo se utiliza un filtro IIR paso-bajo de primerorden para actualizar el filtro de la siguiente forma:
Hi∗ =
Ai
Bi
Ai = ηGiFi∗ + (1− η)Ai−1
Bi = ηFiFi∗ + (1− η)Bi−1
donde η ajusta la posicion del polo.
Los autores recomiendan η = 0,125
Metodo de ajuste no puede lidear con rotaciones en 3D queexpongan el fondo, porque lo aprende
P. Alvarado — TEC — 2017 Rastreo 37 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Ejemplo:
Ejemplo 1Ejemplo 2
P. Alvarado — TEC — 2017 Rastreo 38 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Resumen
1 Introduccion
2 Rastreador de desplazamiento de mediasDesplazamiento de mediasCoeficiente de Bhattacharyya y modelos de densidadRastreo con desplazamiento de medias
3 Rastreador MOSSEFiltros de correlacionPreprocesamientoFiltros MOSSE
P. Alvarado — TEC — 2017 Rastreo 39 / 40
IntroduccionRastreador de desplazamiento de medias
Rastreador MOSSE
Filtros de correlacionPreprocesamientoFiltros MOSSE
Este documento ha sido elaborado con software libre incluyendo LATEX, Beamer, GNUPlot, GNU/Octave, XFig,Inkscape, LTI-Lib-2, GNU-Make, Kazam, Xournal y Subversion en GNU/Linux
Este trabajo se encuentra bajo una Licencia Creative Commons Atribucion-NoComercial-LicenciarIgual 3.0 Unpor-ted. Para ver una copia de esta Licencia, visite http://creativecommons.org/licenses/by-nc-sa/3.0/ o envıeuna carta a Creative Commons, 444 Castro Street, Suite 900, Mountain View, California, 94041, USA.
© 2017 Pablo Alvarado-Moya Escuela de Ingenierıa Electronica Instituto Tecnologico de Costa Rica
P. Alvarado — TEC — 2017 Rastreo 40 / 40