Consideraciones respecto a cámaras en movimiento (II)

2-

En esta ocasión analizaremos la solución al problema desde el punto de vista de la detección y el seguimiento de personas desde una cámara panorámica en movimiento, como puede ser una cámara montada en un robot autopropulsado. Pensando en este problema, dada una trayectoria del robot, con un inicio y un fin, éste debería ser capaz de evitar obstáculos dinámicos como las personas, para lo cual sería necesaria su detección y seguimiento. De esta manera el robot podría planificar su movimiento teniendo en cuenta las futuras posiciones previsibles de las personas a las que se está efectuando el seguimiento.

Afrontaremos el problema de 5 maneras posibles, en función de las técnicas utilizadas para detectar personas desde una plataforma en movimiento:

2.1. -

Compensación del movimiento de la cámara (Ego motion compensation) para detectar el movimiento de entidades externas. En este caso no estaríamos limitando el proceso a la detección de personas.

2.2. –

En este caso nos centraremos en la detección de personas desde plataformas en movimiento. Contemplaremos 4 posibilidades:

2.2.1. –

Reconocimiento de patrones, como un único clasificador que detecta la persona como un todo.

2.2.2. –

Un clasificador por parte del cuerpo, siendo la detección de una persona tomada como una constelación de varias partes.

2.2.3.-

Detección basada en formas.

2.2.4.-

Detección de personas como anomalías.


2.1. -

Compensación del movimiento de la cámara (Ego motion compensation)

En el estudio llevado a cabo por Jung y Sukhatme se analiza el seguimiento de personas usando una sola cámara montada en una plataforma móvil en una escena de exterior.

La diferencia de frames (Frame differencing), que consiste en comparar dos frames consecutivos y encontrar los objetos en movimiento basándose en la diferencia, es la técnica más intuitiva, especialmente con cámaras estáticas. Sin embargo, cuando existe un movimiento de la cámara, se generan dos movimientos independientes, el propio movimiento de la cámara, y el movimiento de las entidades dinámicas del escenario. Estos dos movimientos llegarán mezclados a la cámara en una sola imagen, por tanto, habrá que eliminar el movimiento propio, para poder asociar el movimiento residual a los objetos dinámicos del contexto.

Se utilizara la diferencia de frames, pero el movimiento generado por la cámara en la imagen t-1 será compensado antes de compararlo con el frame actual t.

Teniendo en cuenta que las imágenes del exterior contienen mucho ruido, la perfecta compensación del propio movimiento será inviable. La distribución de probabilidad de los objetos en movimiento será estimada utilizando un filtro de partículas adaptativo. El número final de partículas serán agrupadas (clustered) usando una mezcla de Gaussianas para la estimación de la posición del objeto.

En este caso, el ego-movimiento de la cámara se estima haciendo un seguimiento de características o puntos de interés (features) entre las imágenes. Cuando se produce un movimiento de la cámara, dos imágenes consecutivas t-1 y t se encuentran en diferentes coordenadas. La compensación del ego-movimiento será una transformación de las coordenadas de la imagen t-1 a la imagen t, para poder comparar las imágenes directamente. La transformación se llevará a cabo usando dos conjuntos correspondientes de características, uno en la imagen t y otro en la t+1.

Se utilizara un algoritmo para la selección de características del entorno, y se aplicará el método de Lucas-Kanade (famoso método basado en la estimación del flujo óptico o Optical Flow) para hacer la correspondencia de esas características en la imagen siguiente. Una vez la correspondencia de características en ambas imágenes es conocida, utilizaremos un modelo de transformación. Existen varios modelos en este campo, affine model, usado en pequeños movimientos, bilinear model, que es el utilizado en este estudio y pseudo-perspective model.

Concluyendo, este método funciona correctamente para secuencias de imágenes donde la persona ocupa relativamente una pequeña parte de la imagen, lo cual no se correspondería con un robot autopropulsado que se moviera en entornos indoor.

Existe otro estudio llevado a cabo por Gandhi y Trivedi , en el que se usan técnicas de compensación de ego-movimiento basadas en el flujo óptico , para cámaras panorámicas omnidireccionales, que generan imágenes de 360 grados.

El inconveniente de la detección usando estas técnicas de compensación es que los objetivos a seguir tienen que estar en movimiento para ser detectados, a parte de que no es necesario que se trate de personas, únicamente cualquier entidad dinámica.