Implementación de un filtro robusto de Kalman. Verificación y Aplicaciones en Electro-recepción - Esteban Cilleruelo

Resumen

Para comenzar, se entiende por “textura” una realización de un proceso estocástico estacionario con propiedades estadísticas espaciales invariantes en el tiempo. Para una secuencia de imágenes, el concepto de “textura dinámica” se asocia a que además existe una coherencia espacial intrínseca en el tiempo. Como ejemplo de dichas texturas se tiene olas, humo, follaje, entre otros. Dicha coherencia característica de cada textura permite identificarla y eventualmente manipularla para el procesamiento de imágenes. Si se considera una secuencia de imágenes sobre una escena en movimiento, cada imagen es un conjunto de magnitudes que dependen de la forma, la posición y tamaño de los elementos
que conforman dicha escena. Además, existe también una dependencia sobre las propiedades de los materiales involucrados (la refractancia de dicho material), y de la iluminación del entorno. El movimientos de los elementos que conforman la escena puede ser capturado, teniendo en cuenta que en una secuencia, imágenes adyacentes no son realizaciones independientes unas de otras. El problema principal de la segmentación de objetos sobre una textura dinámica es que el fondo se encuentra en continuo movimiento a lo largo de la película, y por lo tanto siempre está cambiando.

Existen diversos métodos para la caracterización de dichas texturas. En este informe se implementa el modelado, aprendizaje, reconocimiento, y síntesis de texturas dinámicas, introducido por Doretto et al. (2002). Adicionalmente se implementa un filtro robusto de Kalman (Zhong y Sclaroff ,2003) cuyo cometido es la segmentación de objetos en el frente sobre una textura dinámica de fondo.

Se analizan secuencias de imágenes en las cuales los elementos de la escena presentan movimiento relativo. El filtro construido interpreta las magnitudes de la señal, de forma de poder inferir el modelo estocástico que las genera. Dicho modelo involucra una combinación de fotometría, geometría y dinámica de movimiento, diseñadas para obtener máxima verosimilitud o mínima varianza en el error de predicción.

Documentación

Monografía
Presentación

Ejemplos

Playa.avi
PlayaKalman.avi
Dipolo.avi
Dipolo_Kalman.avi

Bibliografía

Doretto G., Chiuso A., Wu Y.N., Soatto S., (2002). Dynamic Textures. International
Journal of Computer Vision 51(2):91-109

Zhong J., Sclaroff S., (2003). Segmenting Foreground Objects from a Dynamic Textured Background via a Robust Kalman Filter. Proceeding of the Ninth International Conference on Computer Vision (ICCV 2003) 2-Volume set. IEEE.