Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
物体追跡
Search
Masafumi Abeta
January 24, 2022
Science
0
240
物体追跡
社内勉強会で発表した資料です。
Masafumi Abeta
January 24, 2022
Tweet
Share
More Decks by Masafumi Abeta
See All by Masafumi Abeta
Pythonのパッケージマネージャー「uv」
abeta
0
11
GPTモデルでキャラクター設定する際の課題
abeta
0
200
GPTをLINEで使えるようにして布教した
abeta
0
120
【Nishika】プリント基板の電子部品検出
abeta
0
210
初心者向けChatGPT入門
abeta
0
180
GPT Short Talk
abeta
0
97
拡散モデルについて少しだけ
abeta
0
23
動的計画モデル
abeta
0
130
特徴量記述
abeta
0
160
Other Decks in Science
See All in Science
多次元展開法を用いた 多値バイクラスタリング モデルの提案
kosugitti
0
190
Lyme Disease
uni_of_nomi
0
130
私たちのプロダクトにとってのよいテスト/good test for our products
camel_404
0
150
LIMEを用いた判断根拠の可視化
kentaitakura
0
320
ABEMAの効果検証事例〜効果の異質性を考える〜
s1ok69oo
4
2k
(Forkwell Library #48)『詳解 インシデントレスポンス』で学び倒すブルーチーム技術
scientia
2
1.3k
位相的データ解析とその応用例
brainpadpr
1
550
Snowflake上でRを使う: RStudioセットアップとShinyアプリケーションのデプロイ
ktatsuya
0
390
ベイズ最適化をゼロから
brainpadpr
2
740
Machine Learning for Materials (Lecture 9)
aronwalsh
0
210
Machine Learning for Materials (Lecture 8)
aronwalsh
0
410
ほたるのひかり/RayTracingCamp10
kugimasa
0
140
Featured
See All Featured
Navigating Team Friction
lara
183
14k
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
25
1.8k
jQuery: Nuts, Bolts and Bling
dougneiner
61
7.5k
VelocityConf: Rendering Performance Case Studies
addyosmani
325
24k
Put a Button on it: Removing Barriers to Going Fast.
kastner
59
3.5k
KATA
mclloyd
29
13k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
92
16k
Teambox: Starting and Learning
jrom
132
8.7k
Building Better People: How to give real-time feedback that sticks.
wjessup
363
19k
Imperfection Machines: The Place of Print at Facebook
scottboms
264
13k
Performance Is Good for Brains [We Love Speed 2024]
tammyeverts
3
370
Why You Should Never Use an ORM
jnunemaker
PRO
53
9k
Transcript
XX University 物体追跡 2022.01.24 Abeta
2 テンプレートマッチング テンプレート画像を⾛査させて、⼀致度が⾼い箇所を検出する。動画では検出、テンプレート画像の更新を繰 り返して追跡を⾏う。 𝑆!!" (𝑥# , 𝑦# ) =
( $!%& '!() ( *!%& +!() 𝐼# 𝑥# + 𝑥, , 𝑦# + 𝑦, − 𝐼, 𝑥, , 𝑦, - 差分は⼆乗和や絶対値和を使⽤する。
3 Meanshift 探索窓内の点群の重⼼に、探索窓の中⼼を移すという処理を繰り返す。 2値画像の中の物体重⼼を求めることに使⽤し、物体を追跡する。
4 CAMshift(Continuously Adaptive Meanshift) ターゲットの⼤きさや回転に合わせて、ウィンドウの⼤きさを調整しながらMeanshiftを⾏う。 https://docs.opencv.org/4.x/d7/d00/tutorial_meanshift.html
5 カルマンフィルター カルマンフィルターは、逐次ベイズフィルターの⼀種であり、測定データからシステムの状態を推定するアル ゴリズム。 直前までの情報と、たった今取得したデータをもとに、もっとも適切な(最適な)システムの状 態を推定する⼿ 法。ただし、測定値にはノイズが乗っており、システムの状態を⽰す変数⾃ 体にもノイズが乗っているもの とする。 https://jp.mathworks.com/discovery/kalman-filter.html
https://www.avelio.co.jp/math/wordpress/?p=605 http://www1.accsnet.ne.jp/~aml00731/kalman.pdf
6 https://jp.mathworks.com/discovery/kalman-filter.html
7 粒⼦フィルター パーティクルフィルタは、複数の粒⼦にノイズをくわえながら観測データとモデルを元に内部状態を推定しく ⼿法。⾮線形なモデルに対しても適⽤でき、粒⼦の数だけ精度はよくなるが、計算量もその分増え、粒⼦数が Nのときに時間計算量はO(N)となる。 実装が簡単で様々な分野で適⽤することができるのが特徴. https://www.matsue-ct.jp/ee/index.php/ja/30-denki-menu20130501-4/denki-cat-senkoka-kenkyu/denki-cat-senkoka-kenkyu-2014/251-senkoka-kenkyu2014-8 http://www.thothchildren.com/chapter/5c7bc083ba4d5d6b2c2419ea
8 DeepSORT SeepSORTは3つの技術で構成される。 • YOLO:物体検出 • ReId(Person Re-Identification):個⼈識別 • SORT(Simple
Online Realtime Tracking):バウンディングボックスの予測 予測 𝑡 𝑡 + 1 物体認識 ⼈物の類似度と 重なりで同⼀判定
9 参考⽂献 • 中村恭之, ⼩枝正直, 上⽥悦⼦, 『OpenCVによるコンピュータビジョン・機械学習⼊⾨』, 講談社, 2017