RASTREAMENTO VISUAL DE MULTIPLOS OBJETOS UTILIZANDO UMA ABORDAGEM LIVRE DE MODELO Rodrigo Andrade de Bem, Anna Helena Reali

Costa Laboratrio de Tcnicas Inteligentes - Escola Politcnica - USP o e e Av. Prof. Luciano Gualberto, trav.3, n.158, Cidade Universitria a 05508-900 - So Paulo, SP, Brasil a Emails: rodrigo.bem@poli.usp.br, anna.reali@poli.usp.br
Abstract This paper presents a methodology for the visual tracking of multiple targets in video, without occlusions, using a static camera. In this approach the objects are described by their contours, which are not modeled a priori. It means that objects with dierent contour shapes can be tracked simultaneosly with the same model. The observation of the targets is based on intensity edges of the images extracted along measurement lines xed in the contours. This method reduces the analysis from a 2D image to the analysis of several 1D lines. The estimation process is decomposed into two Kalman Filters instantiated for each target: one for the contour shape estimation and one for the motion estimation. Results presented in the experiments show that the proposed tracking methodology may lead to good performance. Keywords Visual tracking, multiple targets, Kalman Filter.

Resumo Este trabalho apresenta uma metodologia para o rastreamento visual de mltiplos alvos em seqnu ue cias de imagens, sem ocluses, capturadas por uma cmera esttica. Nesta abordagem os alvos so descritos por o a a a seus contornos, sem a modelagem a priori dos mesmos. Isto signica que objetos com formas diferentes podem ser rastreados simultaneamente com o mesmo modelo. A observaao dos alvos baseada em bordas de intensidade c e extra das sobre linhas de medida xas ao longo dos contornos. Isto reduz a anlise de uma imagem 2D a uma a srie de linhas de medida 1D. O processo de estimaao decomposto em dois Filtros de Kalman instanciados e c e para cada alvo: um para estimaao da forma do contorno e outro para o movimento. Os resultados obtidos c nos experimentos mostram que a metodologia de rastreamento proposta pode levar a um bom desempenho na soluao do problema. c Palavras-chave Rastreamento visual, mtliplos alvos, Filtro de Kalman. u

Introduo ca

Atualmente h uma crescente necessidade de ina teraao entre robs mveis e seres humanos em c o o lugares como fbricas, escritrios, hospitais, loa o cais pblicos e no ambiente domstico. Possiu e bilitar que um rob mvel tenha a capacidade o o de rastrear mltiplos objetos (pessoas ou outros u robs) em imagens do ambiente captadas por ele o de fundamental importncia para sua autonoe a mia. Atravs disso, um rob mvel pode, por e o o exemplo, ajustar sua velocidade de acordo com a movimentaao captada dos objetos no ambiente, c diminuindo assim o risco de colises. O problema o de rastrear mltiplos objetos em v u deo ainda no a se encontra resolvido de forma denitiva na literatura. Questes como ocluso persistente, fundo o a de cena dinmico e o rastreamento de objetos sia milares mostram-se desaadoras. O presente trabalho contribui com uma metodologia para o rastreamento visual de mltiu plos objetos mveis que se movimentam limitados o por um plano (por exemplo, o cho), sem oclua ses, em seqncias de imagens capturadas por o ue uma cmera esttica. A abordagem empregada a a descreve os alvos atravs de seus contornos, mas e sem a determinaao a priori de sua forma. Ao c invs disso, os contornos so estabelecidos dinae a micamente, o que caracteriza uma vantagem desse tipo de abordagem, pois possibilita o rastreamento

simultneo, e sem a necessidade de alteraoes no a c modelo, de objetos com formas diferentes como, por exemplo, pessoas e robs mveis que circulam o o em um mesmo ambiente, ou ainda vrios robs a o heterogneos. As caracter e sticas obtidas a partir do modelo de observaao dos alvos so as bordas c a de intensidade dos pixels nas imagens, extra das sobre linhas de medida posicionadas ao longo dos contornos (Blake and Isard, 1998). Esse mtodo e permite uma economia signicativa de processamento, j que a extraao de bordas, normalmente a c realizada na dimenso 2D das imagens, reduzida a e para a anlise de uma srie de linhas de medida a e 1D (MacCormick and Blake, 2000). O processo de rastreamento executado com e o uso do Filtro de Kalman (Gelb et al., 1974), e composto pela estimaao de movimento e pela esc timaao da forma do contorno de cada alvo; sendo c assim, duas instncias do ltro so alocadas para a a cada objeto mvel. Desta maneira diversos alvos o podem ser rastreados mesmo apresentando movimentos com velocidade, direao e sentido distintos c (Koller et al., 1994). Na seao seguinte so descritos os trabalhos c a relacionados a proposta; na seao 3 apresentado ` c e o modelo de observaao dos alvos, enquanto na sec cao 4 o modelo de movimento exposto. Na seao e c 5 o processo de rastreamento detalhado, com os e experimentos e resultados mostrados na seao 6. c Finalmente, a seao 7 apresenta as concluses e c o

2760 of 2765

trabalhos futuros. 2 Trabalhos Relacionados

Basicamente os trs principais aspectos envole vendo o rastreamento de mltiplos alvos em imau gens dizem respeito ao modelo de observaao e c representaao dos alvos, ao algoritmo de rastreac mento ou estimaao empregado, e ao problema de c associaao de dados, que consiste em estabelecer c a correspondncia correta entre as observaoes e e c os alvos rastreados. Quanto a representaao dos alvos, encontram` c se na literatura trabalhos que fazem uso de modelos baseados em informaoes a priori sobre os c alvos, como cor, textura, forma e movimento (Tweed and Calway, 2002). MacCormick e Blake (2000) utilizam modelos de contornos denidos previamente e constru dos com B-splines para representar os alvos nas imagens. Por outro lado, existem abordagens que fazem menos uso de informaoes prvias, chamadas de livres de modelo c e (model-free) (Nguyen and Worring, 2000). Koller et al. (1994) segmenta os alvos mveis nas imao gens e estabelece seus contorno atravs da detere minaao de um pol c gono convexo envolvendo cada um deles. Mtodos que segmentam os alvos em toe das as imagens tendem a ser computacionalmente custosos, e no apresentam um bom desempenho a quando a aplicaao apresenta restrioes quanto ao c c tempo de processamento. Srkk et al. (2004) apresenta alguns exema a plos de algoritmos probabil sticos para o rastrea mento de mltiplos alvos. E importante salientar u que muitos no so aplicados ou propostos inicia a almente para o rastreamento visual, e sim para o problema de rastreamento em sua forma geral. Pode-se encontrar algoritmos adaptados a partir de sua verso para um unico alvo, onde vrias a a instncias so usadas no problema de mltiplos a a u objetos, como com o Filtro de Kalman (Koller et al., 1994); e outros especicamente desenvolvidos para o problema em questo (Tweed and a Calway, 2002), que j levam em consideraao caa c sos de ocluso e a associaao de dados, que so coa c a muns quando se tem vrios objetos mveis sendo a o perseguidos. No entanto, tais abordagens so muia tas vezes complexas e nem sempre tm aplicae cao vivel no problema de rastreamento visual em a tempo real. 3 Modelo de Observao ca

duas primeiras imagens da seqncia. A subtraue cao da cena de fundo, um mtodo simples de seg e mentaao de movimento amplamente difundido na c literatura, foi utilizado, visto que a cmera permaa nece esttica. a Aps esta primeira operaao, uma srie de o c e tcnicas de processamento digital de imagens so e a aplicadas, visando a determinaao das areas corc respondentes aos alvos com o m nimo poss de vel ru do. Inicialmente utilizado um ltro espacial e gaussiano sobre o resultado da subtraao, visando c eliminar ru dos aleatrios. Em seguida a imagem o e binarizada e submetida as operaoes morfolgicas ` c o abertura de area e abertura que, respectivamente, eliminam componentes isolados com areas muito menores do que a area dos alvos, e salincias de e espessura reduzida, mesmo que estejam ligadas ao alvos. Na gura 1 pode-se ver o resultado de cada operaao na segmentaao de alvos sintticos. c c e

Figura 1: Resultado da aplicaao do: (a) ltro c gaussiano; (b) limiar para binarizaao; (c) operac dor morfolgico de abertura de area; (d) operador o morfolgico de abertura. o Para cada area segmentada (alvo mvel) de o e nida uma regio de interesse descrita por um a quadriltero englobando toda area. So denidos a a ento alguns pontos de controle, igualmente espaa cados ao longo do per metro da regio de interesse, a que sero utilizados para construao da estimativa a c inicial do contorno do alvo. A gura 2 mostra o quadriltero envolvente da regio de interesse, os a a pontos de controle e as linhas de medida denidos.

Neste trabalho, os alvos so descritos por seus a contornos, modelados como B-splines quadrticas a (Blake and Isard, 1998). Com o objetivo de rastrear objetos de formas heterogneas, nenhum moe delo de contorno estabelecido a priori. Ao invs e e disso, o modelo inicial de cada alvo determinado e atravs da segmentaao dos objetos mveis nas e c o

Figura 2: Dois alvos sintticos sobre os quais foe ram denidos: em (a) a regio de interesse sega mentada (linha branca) e os pontos de controle ao longo de seu per metro (pontos pretos); em (b) as linhas de medida constru das sobre os pontos de controle, e o contorno dos alvos. Os pontos de controle denem a conguraao c do contorno do alvo. Uma conguraao de um c

2761 of 2765

contorno X S, onde S um espao vetorial e c de B-splines de dimenses reduzidas, dada por o e X = (x1 , x2 , ..., xn )T , onde xi = (xi , yi ) um e ponto de controle, com i {1, ..., n}. Com o objetivo de reduzir o custo computacional e o tempo de processamento, a observaao c dos alvos nas imagens realizada atravs de linhas e e de medida posicionadas nos pontos de controle do contorno, como visto na gura 2. Esta abordagem reduz o problema de analisar a imagem 2D a anlise de uma srie de linhas 1D (MacCormick ` a e and Blake, 2000). Um detector de bordas unidimensional (ltro passa-alta) aplicado a cada e uma das linhas de medida, localizando alteraoes c bruscas na intensidade dos pixels. Mais de uma borda pode ser detectada em uma linha de medida, principalmente nos casos em que o fundo de cena heterogneo, quando existem sombras em e e torno do objeto de interesse ou h ocluso entre a a os alvos. Algumas abordagens para a modelagem probabil stica destas situaoes so encontradas na c a literatura (MacCormick, 2000). Aqui, como por ora tais problemas foram desconsiderados, ou minimizados, optou-se por um mtodo probabil e stico simples que se adapta bem ao Filtro de Kalman. Considere uma linha de medida z = (z1 , z2 , ..., zm ), onde zj uma variaao de intene c sidade (borda) detectada, com j {1, ..., m}. A probabilidade de zj corresponder ao contorno real do objeto dada pela distribuiao de probabilie c dade G(zj |), sendo G uma gaussiana com centro em , que a posiao do ponto de controle na lie c nha de medida, e desvio padro , que representa a a incerteza nesta posiao (so usadas apenas as c a posioes unidimensionais dos pontos na linha de c medida) (Blake and Isard, 1998). A caracter stica zj correspondente a borda real do alvo em cada ` linha de medida determinada pela hiptese de e o mximo a posteriori (MAP), ou seja, aquela que a apresentar maior probabilidade, dada a posiao do c ponto de controle. Uma ilustraao da densidade c de probabilidade gaussiana sobre a linha de medida mostrada na gura 3. e
(a)

Modelo de Movimento

O objetivo aqui foi estabelecer um modelo de movimento unico, aplicvel a todos os alvos, utili a zando poucas informaoes a priori. Considerando c um campo de viso pequeno, alvos com movimena tos suaves e limitados por um plano (ex.: cho) e a independentes entre si, as alteraoes de velocidade c e de forma dos mveis na seqncia de imagens poo ue dem ser aproximadas por transformaoes lineares c (Koller et al., 1994). Sendo x = (x, y) um ponto da imagem localizado em uma area correspondente a um alvo, segmentada de acordo com o que foi exposto na seao 3, o movimento m(x) neste ponto pode ser c aproximado por: m(x) = A(x c) + u, (1)

onde c = (cx , cy ) o centro da area, u = (vx , vy ) e o deslocamento de c nas direoes x e y, respece c tivamente, e A a matrix de rotaao e mudana c c de escala. No caso de um alvo que tem seus movimentos limitados pelo plano do cho, como o a caso de robs mveis terrestres, a rotaao apeo o c e nas poss em relaao ao eixo normal ao plano; vel c alm disso, considera-se que h pouca alteraao do e a c alvo entre quadros consecutivos, fazendo com que A que restrita a mudanas de escala, o que corc responde a movimentaao ao longo do eixo z do ` c sensor otico (normal ao plano da imagem). Assim, a equaao 1 reduzida para: c e m(x) = s(x c) + u, (2)

(b)

(c)

10 11 12 (d)

14

16

18

20

onde s o fator de escala. O valor de s = 0 sige nica que no h mudana de escala, enquanto a a c s < 0 corresponde ao afastamento e s > 0, a apro` ximaao entre o alvo e a cmera. c a Dessa forma, a translaao e a mudana de esc c cala dos alvos na seqncia de imagens so reue a presentadas por u e s. A prediao correta destes c parmetros do modelo de movimento corresponde a a primeira derivada temporal dos mesmos. No en` tanto essas derivadas so corrompidas por media das ruidosas, o que pode tornar a prediao instc a vel e errnea. Localmente pode-se supor simpleso mente que u e s so constantes, sendo as pequea nas alteraoes esperadas nesses parmetros, dec a vido ao fato dos movimentos serem suaves, modeladas atravs do ru no processo de estimaao e do c (Koller et al., 1994). 5 Processo de Rastreamento dos Alvos

Figura 3: (a) Uma linha de medida, extra da da imagem na gura 2(a). (b) Resultado da aplicaao do detector de bordas 1D. (c) Densidade c de probabilidade gaussiana. (d) Probabilidade de cada pixel corresponder a borda real (mais es` curo=maior probabilidade).

O rastreamento dos alvos realizado com o eme prego de dois Filtros de Kalman: um para estimaao do movimento, e outro para estimaao da c c forma do contorno de cada alvo. Esta abordagem adotada para que o sistema permanea lie c near de modo que o Filtro de Kalman seja empregado com sucesso no processo de estimaao (Koller c

2762 of 2765

et al., 1994). Os vetores de estado que descrevem o sistema so dados por a X M = (x1 , x2 , ..., xn )T = (x1 , y1 , x2 , y2 , ..., xn , yn )T , = (u, s) = (vx , vy , s) ,
T T

Mk totalmente denida pela mdia M k e pela e e matriz de covarincia PM,k (Gelb et al., 1974). Asa sim, o processo de estimaao dado pelas seguinc e tes equaoes caracter c sticas do Filtro de Kalman: Prediao c Mk PM,k = M k1 = PM,k1 + Qk1

(3)

sendo X o vetor de estado do contorno, denido por seus pontos de controle xi , com i {1, ..., n}; e M o vetor de estado do movimento do alvo, denido pela velocidade de translaao u e o fator de c escala s. Considerando a equaao 2 para um ponto c de controle, com m(x) = xi,k xi,k1 , tem-se: xi,k = xi,k1 + sk1 (xi,k1 Ci,k1 ) + uk , (4) onde o ndice k denota o tempo tk e Ci,k1 = y x (Ci,k1 , Ci,k1 )T corresponde ao centro de todos os pontos de controle do alvo i, o qual estima o centro de area do alvo. A equaao 4, que dene a c posiao que ser ocupada pelo ponto de controle c a xi,k1 no tempo k, pode ainda ser escrita matricialmente para o contorno de um alvo como: Xk = Xk1 + Hk1 Mk , com Hk1 I2 . = . . I2 (x1,k1 C1,k1 ) . . , . (xn,k1 Cn,k1 ) (6) (5)

Assimilaao (Clculo do Ganho de Kalman) c a

T T Kk = PM,k Hk1 (Hk1 PM,k Hk1 + Rk )1

Atualizaao c Mk PM,k 5.2 = M k + Kk (Zk (Xk1 + Hk1 M k )) = (I Kk Hk1 )PM,k

Estimaao da Forma c

A estimaao do contorno rastreia os n pontos de c controle do alvo e modelada como: e Xk Zk = (Xk1 + Hk1 M k ) + wk1 = Xk + v k , (8)

sendo I2 uma matriz identidade de dimenso 22. a Os sistemas de estimaao do movimento e c forma sero apresentados nas duas prximas sea o coes, respectivamente. 5.1 Estimaao de Movimento c

onde w uma varivel aleatria gaussiana, repree a o sentando o ru na estimaao, com mdia zero do c e e covarincia W : w N (0, W ); Zk o vetor de a e observaao do sistema; e v representa o ru da c do observaao, como mencionado anteriormente. c As etapas do Filtro de Kalman so denidas a como: Prediao c Xk PX,k = X k1 + Hk1 M k = PX,k1 + Wk1

Como mencionado na seao 4, os parmetros que c a compem o vetor de estado do movimento do alvo o so considerados localmente constantes. Assim, o a sistema descrito pelas seguintes equaoes: e c Mk Zk = Mk1 + qk1 (7)

Assimilaao (Clculo do Ganho de Kalman) c a Kk = PX,k (PX,k + Rk )1 Atualizaao c Xk PX,k 5.3 = X k + K k (Z k X k ) = (I Kk )PX,k

= (Xk1 + Hk1 Mk ) + vk ,

onde, no tempo k, q uma varivel aleatria gause a o siana, representando o ru do processo de esdo timaao, com mdia zero e covarincia Q: q c e a N (0, Q); Zk o vetor de observaao do sistema; e c e v uma varivel aleatria gaussiana, represene a o tando o ru da observaao, com mdia zero e codo c e varincia R: v N (0, R). O vetor de observaao a c Zk corresponde a posiao dos pontos de controle ` c do contorno acrescida do ru da observaao. do c O Filtro de Kalman um estimador recursivo e Bayesiano que a cada iteraao executa trs etapas: c e prediao, assimilaao e atualizaao. Uma vez que c c c o ltro um estimador gaussiano linear, a distrie buiao de probabilidade sobre o vetor de estado c

Inicializaao do Sistema c

A inicializaao do sistema comea pela segmentac c cao dos alvos que executada conforme descrito e na seao 3. So denidos os n pontos de controle, c a utilizados na construao da estimativa inicial do c contorno do alvo, Xk=0 . No caso do vetor de estado de movimento, o fator de escala inicialmente denido como e s = 0, uma vez que este parmetro usuala e mente muito pequeno. J no caso das velocia dades horizontal e vertical, a derivada temporal discreta do centride de cada alvo segmeno tado usada, sendo uk=0 = (ck ck1 ), assim e

2763 of 2765

Mk=0 = (cx cx , cy cy , s = 0)T . Salienta-se k k1 k k1 que o instante tk = 0 do rastreamento correse pondente a segunda imagem da seqncia, j que ` ue a a primeira (tk = 1) apenas usada na inicialie zaao para o clculo das derivadas discretas. c a A correspondncia entre as areas segmentae das na primeira e segunda imagens estabeleciada e atravs da determinaao do vizinho mais prximo, e c o de acordo com a suposiao que os alvos executam c movimentos suaves. 6 Experimentos e Resultados Figura 4: Alvo A (esquerda) realiza translaao na c vertical e na diagonal; alvo B (direita) se afasta da cmera e executa translaao na vertical. A posiao a c c das imagens na seqncia mostrada acima das ue e mesmas.
60 (a) Alvo A 60 Real 80 80 100 Estimado (b) Alvo B

Inicialmente foram realizados experimentos com seqencias de imagens com dimenses de 320 por u o 240 pixels, capturadas com uma cmera esttica a a em uma ambiente interno controlado, com fundo de cena e iluminaao uniformes e alvos sintticos c e contrastantes com o fundo. Posteriormente foram usadas imagens de ambientes internos, sem condicoes especiais de fundo ou iluminaao e com alvos c reais (robs mveis). As coordenadas reais dos o o centrides de cada alvo, usadas na avaliaao do o c desempenho do rastreamento, foram obtidas com a subtraao do fundo de cada imagem das seqnc ue cias. Em ambos os casos as imagens foram convertidas para o espao de cores HSV (hue-saturationc value) sendo tratada apenas a intensidade luminosa das mesmas, contida na banda V. Nas duas prximas seoes sero detalhados os experimentos o c a e expostos alguns dos resultados obtidos. 6.1 Alvos sintticos e

t=300

Coordenada Y

Coordenada Y

100

t=1

120 140 160

t1

120

140

160

t=300
100 150 Coordenada X

Real Estimado 200 250

180 200 180

180 50

200

220 Coordenada X

240

260

Figura 5: Comparaao entre a posiao real do cenc c tride dos alvos (linha cont o nua), e sua posiao c estimada (linha pontilhada). 6.2 Alvos reais

Dois alvos sintticos foram utilizados: um simue lando o contorno da cabea e ombros de uma pesc soa (Alvo A); e um quadriltero (Alvo B). Ambos a de cor escura, realizaram movimentos suaves de translaao e mudana de escala sobre um fundo c c de cena claro e uniforme, com se v na gura 4, e em uma seqncia de 300 imagens. Foram usados ue n = 12 pontos de controle. O sistema foi inicializado conforme descrito na seao 5.3. Foram utilizadas linhas de medidas de c comprimento L = 30, desvio padro = 3 pixels a e a mscara de convoluao de detector de bordas a c 1D com pesos [1, 2; 2; 0; 2; 1, 2]. A covarincia a do ru de observaao foi denida como v = 0, 4 do c pixels para cada ponto de controle, e nos processos de estimaao como qu = 0, 001 para o movimento c de translaao, qs = 108 para a mudana de escala c c e w = 0, 001 para estimaao da forma. c Na gura 4 pode-se ver amostras da seqnue cia de imagens e o contorno estimado de cada alvo, com as respectivas linhas de medida, enquanto na gura 5 so mostradas as coordenadas reais do a centride de cada alvo em comparaao com as coo c ordenadas estimadas. O erro quadrtico mdio a e (EQM) para o alvo A foi EQMA = 8, 99, e para o alvo B, EQMB = 3, 73.

Os alvos reais rastreados foram quatro robs o movendo-se na direao da cmera, congurandoc a se um movimento de translaao e mudana de esc c cala, como se pode ver na gura 6. Nas amostras da seqncia, obtida de Fredslund (2001), pode-se ue ver tambm o contorno estimado dos alvos, suas lie nhas de medida, e a trajetria dos centrides nas o o imagens. A no ser pelo comprimento L = 10 a pixels das linhas de medida, os demais parmea tros foram mantidos como descrito na seao antec rior. Em relaao as coordenadas do centride de c ` o cada alvo foram obtidos os erros EQMA = 4, 65, EQMB = 1, 52, EQMC = 7, 65 e EQMD = 8, 60, sendo A, B, C e D os alvos da esquerda para direita na imagem, respectivamente. A gura 7 mostra o grco comparativo das coordenadas rea ais e estimadas. 7 Concluses e Trabalhos Futuros o

Como mostram os resultados, a abordagem teve um desempenho satisfatrio nos experimentos reo alizados. Na gura 4 pode-se ver que o rastreador seguiu os alvos sintticos at o m da e e seqncia, mantendo uma boa estimativa da poue siao de seus centrides, conforme visto na gura c o 5, com o maior valor do erro quadrtico mdio a e (EQMA = 8, 99) correspondendo a aproximada-

2764 of 2765

mente 3 pixels nas imagens. As mesmas observaoes podem ser feitas a respeito dos alvos reais, c ` sendo o maior EQM levemente mais baixo. O erro referente a cada alvo dependente principalmente e de sua forma e trajetria. A forma mais sinuosa o do alvo sinttico A gera um erro maior at mesmo e e do que os associados aos alvos reais, j o alvo real a D apresenta um EQM maior do que os demais devido a sua trajetria mais tortuosa. o Apesar dos alvos reais, mostrados na gura 6, apresentarem entre si pouca variaao na forma c do contorno, foi poss vel constatar a capacidade da abordagem de rastrear simultaneamente objetos com diferentes formas atravs dos resultados e dos experimentos com os alvos sintticos. Assim, e pode-se concluir que o modelo de observaao aprec sentado, bem como o modelo de movimento e o processo de estimaao, foram ecazes na soluao c c do problema proposto, considerando as suposioes c e limitaoes mencionadas anteriormente. c Como trabalhos futuros sero aprimorados os a modelos de observaao e de movimento, visando c permitir o tratamento de ocluses, a existncia de o e fundos de cena dinmicos, a execuao de movia c mentos mais rpidos e alteraoes bruscas de direa c cao. Pretende-se ainda estender a abordagem para o caso em que a cmera mvel (ex.: localizada a e o em um rob mvel). o o
(a) No. 80 (b) No. 160

60

Coordenadas dos Centroides t=1 t=1

Real Estimado

70

t=1

t=1

80

Alvo C
90

Alvo D Alvo A Alvo B

Coordenada Y

100

110

120

130

140

t=340

t=340

t=340

t=340

150 120

140

160

180

200

Coordenada X

220

240

260

280

300

320

Figura 7: Comparaao entre a posiao real dos c c centrides (linhas cont o nuas) e a posiao estimada c (linhas pontilhadas) para os quatro alvos. Fredslund, J. (2001). Distributed robot formations - line formation. URL: http://robotics.usc.edu/robots/movies /formation3.avi. Acessado em 12/04/06. Gelb, A., Joseph F. Kasper, J., Raymond A. Nash, J., Price, C. F. and Arthur A. Sutherland, J. (1974). Applied Optimal Estimation, The MIT Press. Koller, D., Weber, J. and Malik, J. (1994). Robust multiple car tracking with occlusion reasoning, Working Paper UCB-ITS-PWP-941, California Path Program, Inst. of Transportation Studies, Univ. of California, Berkeley. MacCormick, J. (2000). Probabilistic modelling and stochastic algorithms for visual localisation and tracking, PhD thesis, Dept. of Engineering Science, Univ. of Oxford. MacCormick, J. and Blake, A. (2000). Probabilistic exclusion principle for tracking multiple objects, Int. Journal of Computer Vision 1(39): 5771.

(c) No. 240

(d) No. 338

Figura 6: Robs mveis sendo rastreados, com o o suas trajetrias marcadas pelas linhas escuras cono t nuas.

Nguyen, H. T. and Worring, M. (2000). Multifeature object tracking using a model-free approach, Proc. of the IEEE Conf. on Comp. Vision and Pattern Recognition, Vol. 1, Hilton Head, USA, pp. 145150. Srkk, S., Tamminen, T., Vehtari, A. and Lama a pien, J. (2004). Probabilistic methods in multiple target tracking, Research report B36 ISBN 951-22-6938-4, Lab. of Computational Engineering, Helsinki Univ. of Technology. Tweed, D. and Calway, A. (2002). Tracking many objects using subordinate condensation, Proc. of the British Machine Vision Conf., pp. 283292.

Agradecimentos Rodrigo A. de Bem agradece ao Conselho Nacional de Desenvolvimento Cient co e Tecnolgico o CNPq pelo suporte nanceiro atravs do processo e nmero 132185/2005-9. Trabalho conduzido sob o u projeto MultiBot CAPES/GRICES processo nu mero 099/03. Referncias e Blake, A. and Isard, M. (1998). Active Contours, Springer-Verlag.

2765 of 2765