La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Application au suivi des paramètres de problèmes de vision

Présentations similaires


Présentation au sujet: "Application au suivi des paramètres de problèmes de vision"— Transcription de la présentation:

1 Application au suivi des paramètres de problèmes de vision
Filtrage de Kalman Application au suivi des paramètres de problèmes de vision 1/90

2 Cadre de l’étude Un système physique. Distinction entre paramètres:
qui modélisent le système que l’on peut mesurer. Estimer les premiers à partir des seconds.

3 Cadre de l’étude Les paramètres mesurables observation xi
Les paramètres internes (décrivant le modèle) vecteur d’état si

4 Prise en compte des incertitudes
Les mesures sont imprécises/incertaines Le modèle est simpliste On veut savoir la fiabilité d’une estimation si de l’état courant si. ce que le filtre de Kalman permet.

5 Formalisation: mesure et vecteur d’état
On a accès a: bruit blanc additif et: Evolution du modèle: Modèle « lâche »:

6 Formalisation: mesure et vecteur d’état
Filtrage de Kalman: processus itératif d’estimation du vecteur Estimation à l’instant i: traduit la confiance que l’on a en l’estimation Si on connaît , la meilleure estimation possible de est:

7 Formalisation: les équations de mesures
Liens entre les observations et le vecteur d’état: Cas linéaire:

8 Formalisation: les équations de mesures
Dans le cas non-linéaire, on s’y ramène: développement de Taylor à l’ordre 1 de on a bien:

9 L’algorithme 3 étapes, propagation des incertitudes. Initialisation:
Prédiction: Calcul du gain de Kalman: Mise à jour: Un pas du filtre.

10 Algorithme: interprétation
Compromis entre la contribution de la prédiction et de la mesure: On peut réécrire: Grande incertitude sur le vecteur d’état « grande » « grand » innovation favorisée. Grande incertitude sur la mesure « grande » « petit » prédiction privilégiée.

11 Algorithme: améliorations possibles
Filtres de Kalman itérés Globalement Localement Objectif: limiter l’influence des linéarisations

12 Utilisation pour l’estimation robuste
Réjection des mesures aberrantes: v.a. gaussienne de moyenne nul, de covariance Distance de Mahalanobis associée: Seuil de réjection tel que:

13 Applications Suivi de la trajectoire d’une particule dans le plan
Estimation des paramètres d’une ellipse à partir d’un nuage de points Suivi des paramètres externes d’une caméra en trou d’épingle.

14 Suivi de la trajectoire d’une particule dans le plan
Le système: mouvement à accélération constante Equation de mesures: Incertitude: Meyer a montré que

15 Suivi de la trajectoire d’une particule dans le plan
Résultats: influence des incertitudes Réjection des valeurs aberrantes

16 Estimation des paramètres d’une ellipse à partir d’un nuage de points
Vecteur d’état: Mesures: (points du nuage) Equations de mesures:

17 Estimation des paramètres d’une ellipse à partir d’un nuage de points
résultats comparaison filtre classique / itéré localement 1 comparaison filtre classique / itéré localement 2 Mais des fois…

18 Suivi des paramètres externes d’une caméra en trou d’épingle.
Rappel - modèle de caméra: Calibrage…

19 Suivi des paramètres externes d’une caméra en trou d’épingle.
Une caméra en mouvement autour d’un cube. exemple 2 possibilités: suivi sur les points 2D, puis estimation de P (svd) grâce aux 8 correspondances 2D 3D Résultats 1 | 2 Suivi sur les paramètres (R,t): rotation 3 angles translation 3 composantes

20 Suivi des paramètres externes d’une caméra en trou d’épingle.
La suite …


Télécharger ppt "Application au suivi des paramètres de problèmes de vision"

Présentations similaires


Annonces Google