Seguimiento visual por imitación

INAOE Curso: “Robótica Probabilística”

Dr. Luis Enrique Sucar Succar

Apolinar Ramírez S

Julio, 2007

Introducción

El aprendizaje de tareas por imitación, facilitará la programación de los robots por usuarios finales.

Problema a Resolver:

- seguimiento de la trayectoria de una persona frente a un robot móvil dotado de una cámara.

CONTENIDO

1. Algoritmo atencional2. Seguimiento3. Mapeo humano-robot4. Aprendizaje5. RESULTADOS Y CONCLUSIONES

Algoritmo atencional

ADABOOST:

AdaBoost genera un conjunto secuencial de clasificadores

AdaBoost puede emplearse como un sistema ATENCIONAL

por su característica de identificar datos fuera de orden

(outliers).

CONTRIBUCIONES

1) Representación de imágenes: “imagen integral”

2) Algoritmo basado en AdaBoost para la selección de características.

3) Método para combinar clasificadores en cascada para descartar el fondo del objeto a identificar.

Un algoritmo aprox. 15 veces más rápido.

Suma Suma-

Características empleadas

características => reconocimiento

24

24

Imagen “integral”

1 = A2= A+B3= A+C4= A+B+C+D

D= 4 + 1 -(2+3)

Base de Datos

324x288 = 93312 pixs

detector: 28x28 = 576 pixs

93312 / 576 = 162 zonas

162 zonas x 280 = 45396 características

324

288

Algoritmo en base AdaBoost

Freund & Schapire, 1995

Selección de T características

T=10

Base de Datos

La base de datos contiene ejemplos positivos y negativos

Clasificación por capas

2 ... 38

ACEPTAR

RECHAZAR

1

1 10

Ejemplo

./face –cascade=”haarcascade_frontalface_alt.xml”

./mascota1

Seguimiento

CamShift = Continuosly Adaptive Mean Shift, Bradsky,

1998

Imagen color => histograma => backprojection image

(distribución de probabilidad del histograma)

la moda de región de búsqueda, actualizándose

Estableciendo histograma

Seguimiento

Trayectoria,

w0

w1

w2

w3

w4

W(x,y,deltax, deltay)

Modelo cinemático del robot

( 1) ( ) cos

( 1) ( ) sin

( 1) ( )

f

f

x k x k v t

y k y k v t

k k v t

Ecuaciones de movimiento

donde vf = velocidad forward y vθ = velocidad angular

Modelo cinemático del usuario

_ *cos

_ *sinx

y

v v cte

v v cte

Ecuaciones de movimiento

donde vx = velocidad en direción frente al robot y vy = velocidad en dirección perpendicularv_cte = 3 Kms/hr

Políticas

Movimientos posibles en términos de primitivas;

SetSpeed(vel_traslación, vel_rotación)

1) “gira y avanza”

2) “no moverse”

Formalmente,

(x,t,α)= u x= estadot= tiempoα= parámetrosu= acción

Resultados

Se consideraron valores aproximados para el mapeo de coordenadas de la imagen a coordenadas reales (el radio del rostro con un valor fijo de 4.5” a una distancia de un metro)

Camshift no tiene un buen rendimiento en entornos de color similar a la camisa de la persona. Se pierde.

AdaBoost se comporta de manera aceptable.

Conclusiones

Se requiere emplear técnicas de fusión para el seguimiento. Además del color, emplear el movimiento u otra característica que complemente la información

Las primitivas del Pioneer habilitadas en Player/Stage son muy simples para una tarea más compleja.

Las librerías de OpenCV no tienen algunas características deseables en una librería gráfica, por ejemplo, “clipping” de ventana.

Referencias

Paul Viola, Michael Jones; “Rapid object detection using a Boosted Cascade of Simple Features”; 2001

Avilés A. H. “Reconocimiento visual de ademanes aplicado a robots móviles”, Tesis doctoral, 2006

Manuales de OpenCV, Player/Stage

Gracias por su atención