Seguimiento visual de contornos computerizado
El contorno de un objeto es, en muchos casos prácticos, un elemento muy informativo de la configuración que éste presenta o de la actividad que realiza. Ello motiva que, en campos tan diferentes com la videovigilancia, la monitoritzación del transito o el diagnóstico médico, haya sistemas que utilizan el seguimiento de contornos como base. A menudo, las imágenes en estos ánbitos presentan artefactos (ruido, sombras, oclusiones...) que dificultan notablemente el seguimiento de contornos. El uso de filtros de partículas ha supuesto un paso adelante a la hora de realizar esta tarea de manera más robusta. Investigadores del Àrea de Ciències de la Computació i Intel·ligència Artificial han adaptado tres variantes de filtros de partículas al seguimiento de contornos y han evaluado cuantitativamente su rendimiento.
El seguimiento visual de contornos es un área de investigación donde los investigadores en visión por computador han dedicado muchos esfuerzos durante años. Una de las principales motivaciones es el hecho de que, en muchos casos prácticos, el contorno de un objeto provee mucha información relativa a la configuración o actividad de éste. Así, encontramos que el seguimiento de contornos se ha aplicado a la videovigilancia, la monitorización del tránsito, el diagnóstico médico y la interacción hombre-máquina, entre otros.
A la hora de determinar el contorno de un objeto a lo largo de una secuencia, una posibilidad es ajustar iterativamente un modelo de contorno en el objeto de interés, mediante un proceso de minimización de un término de energía. Un inconveniente de esta aproximación es que en la práctica este término, a menudo tiene múltiples mínimos y, por tanto, el proceso de minimización puede converger hacia una configuración del contorno que refleja de manera pobre la silueta del objeto seguido. Este inconveniente puede tratarse de manera fundamentada, planteando el seguimiento de contornos como un problema de inferencia Bayesiana.
Así, el objetivo no es determinar los parámetros que mejor ajustan el contorno al objeto visualizado, sino describir, para cada posible configuración del contorno, su densidad de probabilidad. Es decir, estimar la densidad a posteriori de los parámetros de un modelo de contorno dadas las observaciones de un objeto a seguir. Cuando, como en el caso estudiado, esta densidad puede ser multimodal, una aproximación adecuada para estimarla es utilizando filtros de partículas.
Esta técnica representa la densidad a posteriori mediante una población de parametrizaciones concretas del modelo de contorno usado (llamadas partículas) ponderadas para un peso que representa su probabilidad. A pesar de la solidez de sus fundamentos teóricos, el uso práctico de esta técnica se ve comprometido por la dimensión del espacio de parámetros a estimar. Se puede demostrar que la varianza de los pesos de las partículas incrementa exponencialmente con su dimensión y esto implica, a efectos prácticos, una pobre estimación a posteriori de la densidad de interés. Dado que este problema es bien conocido, diferentes propuestas se han realizado para tal de contrarrestarlo. Nuestro trabajo se ha enfocado en adaptar tres de estas propuestas al seguimiento visual de contornos. En concreto, se han adaptado las técnicas llamadas en inglés como Unscented Particle Filter, Rao-Blackwellized Particle Filter, y Partitioned Sampling, y se ha hecho un extenso estudio comparativo utilizando secuencias sintéticas y reales. Vídeos de los resultados obtenidos se pueden visualizar en:
http://www.cvc.uab.es/adas/projects/contourtracking/PR.
Este trabajo ha sido parcialmente financiado por los proyectos TRA2007-62526/AUT del Ministerio de Educación y Ciencia, i Consolider Ingenio 2010: MIPRCV (CSD2007-00018).
Referencias
"Variance reduction techniques in particle-based visual contour tracking". Daniel Ponsa, Antonio M. López. Pattern Recognition, Volume 42 , Issue 11 (November 2009).
