Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Tracking Image dengan Metode feature Lucas-Kanade Sumber: -Forsyth & Ponce Chap. 19 -Tomashi, Lucas & Kanade: Good Feature to Track -Standford Vision &

Presentasi serupa


Presentasi berjudul: "Tracking Image dengan Metode feature Lucas-Kanade Sumber: -Forsyth & Ponce Chap. 19 -Tomashi, Lucas & Kanade: Good Feature to Track -Standford Vision &"— Transcript presentasi:

1 Tracking Image dengan Metode feature Lucas-Kanade Sumber: -Forsyth & Ponce Chap. 19 -Tomashi, Lucas & Kanade: Good Feature to Track -Standford Vision & Modeling Sumber: -Forsyth & Ponce Chap. 19 -Tomashi, Lucas & Kanade: Good Feature to Track -Standford Vision & Modeling

2 Ulasan metode Lucas-Kanade + Implementasi dengan Matlab Analisa metode Lucas-Kanade Support Maps / Layers: - Robust Norm - Layered Motion - Background Subtraction - Color Layers Agenda

3 - Lucas-Kanade: Minimisasi fungsi: Image 1D Intensitas x u ? F G Linierisasi: Spatial GradientTemporal Gradient

4 Spatial GradientTemporal Gradient ROI (u,v) FG Lucas-Kanade: Minimisasi fungsi: Image 2D

5 Minimisasi fungsi E(u,v): => C DC D Lucas-Kanade: Minimisasi fungsi: Image 2D

6 Step 0: Inisialisasi (dengan manual) Step 1: hitung: C dan D dan cari penyelesaian (u,v): - Hitung image derivatives Fx,Fy,Ft Step 2: re-warp image G: - Sub-pixel image interpolation Step 3: Loop: - Ukur error / terminate Impelementasi Lucas-Kanade

7 Step 1: hitung: C dan D dan cari penyelesaian (u,v): - Hitung image derivatives Fx,Fy,Ft A)Fx, Fy: Filter dengan Gaussian Derivative Kernel: Impelementasi Lucas-Kanade

8 Step 1: hitung: C dan D dan cari penyelesaian (u,v): - Hitung image derivatives Fx,Fy,Ft B) Ft: Finite Difference of Blurred F and G: Impelementasi Lucas-Kanade

9 Step 1: hitung: C dan D dan cari penyelesaian (u,v): - Hitung image derivatives Fx,Fy,Ft - Hitung dengan Gaussian kernel (menggunakan coarse-to-fine strategy dengan pengurangan sigma) Impelementasi Lucas-Kanade

10 Step 2: re-warp image G: - Sub-pixel image interpolation Impelementasi Lucas-Kanade Operasi Warping gunakan fungsi interp2 dari Matlab

11 Step 3: Loop: - Ukur error / terminate Impelementasi Lucas-Kanade perhatikan:

12 Analisa Grafis metode Lucas- Kanade

13 Minimisasi fungsi E(u,v): => C DC D Lucas-Kanade: problem singulariti

14 Fx=0, Fy=0

15 Lucas-Kanade: problem singulariti Fx=0, Fy=0 Fy=0

16 Lucas-Kanade: problem singulariti Fx=0, Fy=0 Fy=0

17 Lucas-Kanade: Aperture Problem Fx=0, Fy=0

18 Lucas-Kanade: Aperture Problem Bergen et al.

19 Aperture Problem: Bisa diatasi ??? - Hindari sebisa mungkin ! - Gunakan nilai Eigenvalues untuk inisialisasi “Good Features” (lihat paper “Good Features to track” Shi-Tomasi) - Lokasi Good Feature berada pada: min(eig1,eig2) > a

20 Aperture Problem: Bisa diatasi ??? “Good Features” (Shi-Tomasi)

21 Aperture Problem: Bisa diatasi ??? - coba di Hack ! - regularisasi C:

22 Aperture Problem: Bisa diatasi ??? - - Simoncelli et al 1991:

23 Aperture Problem: Bisa diatasi ??? - Tambah Aperture (window feature) ! - Coarse-to-fine Pyramids (Bergen et al, Simoncelli)

24 Aperture Problem: Bisa diatasi ??? - Tambah Aperture (window feature) ! - akibat: integrasi ROI lebih besar -> motion model jadi lebih komplex

25 Pengembangan Lucas-Kanade secara Affine Affine Motion Model: - 2D Translation - 2D Rotation - Scale in X / Y - Shear Matlab demo ->

26 Pengembangan Lucas-Kanade secara Affine Affine Motion Model -> digunakan pada Lucas-Kanade: Matlab demo ->

27 Support Maps / Layers: - Robust Norm - Layered Motion - Background Subtraction - Color Based Tracking

28 Support Maps / Layers - L2 Norm vs Robust Norm - Bahaya dari fitting secara least square: Akibat adanya Outliers (gangguan pixel luar) menyebabkan square error menjadi sangat besar

29 Support Maps / Layers - L2 Norm vs Robust Norm - Bahaya dari fitting secara least square: L2 D

30 Support Maps / Layers - L2 Norm vs Robust Norm - Bahaya dari fitting secara least square: L2robust DD

31 Support Maps / Layers - Robust Norm -- baik untuk menangani outliers - nonlinear optimization robust D

32 Support Maps / Layers - Black-Jepson-95

33 Support Maps / Layers - Layered Motion (Jepson/Black, Weiss/Adelson, …)

34 Support Maps / Layers - Kasus spesial dari Layered Motion: - Background substraction - Outlier rejection (== robust norm) - Kasus sederhana: Tiap Layer punya warna seragam

35 Support Maps / Layers - Color Layers: P(skin | F(x,y))


Download ppt "Tracking Image dengan Metode feature Lucas-Kanade Sumber: -Forsyth & Ponce Chap. 19 -Tomashi, Lucas & Kanade: Good Feature to Track -Standford Vision &"

Presentasi serupa


Iklan oleh Google