Elicitation data-based collocation studies

tos

MTT

El seguimiento de m´ultiples objetos(MTT- Multiple Target Tracking) es una tarea que requiere el empleo de gran cantidad de recursos; debido a que para llevar a cabo el seguimiento denobjetos, se necesita un esfuerzo computacional den2 _{veces la situaci´on}

Figura 2.6: Comparaci´on de Objeto inter´es vs. Objetos candidatos. Diagrama de operaci´on de la comparaci´on entre el objeto de inter´es (OI) y las

distribuciones vecinas a la predicci´on.

La extensi´on de un sistema STT(Single Target Tracking) a un sistema MTT re- quiere una l´ogica de asociaci´on de datos compleja para clasificar la informaci´on sensada en categor´ıas generales de inter´es y desechar la que es de fuentes recurrentes [4]. Las metodolog´ıas para realizar el seguimiento de m´ultiples objetos se pueden dividir en dos grupos b´asicos:

Procesamiento por lotes de datos. Se establecen mediante una situaci´on ideal en la que no se pierde informaci´on en la etapa de decisi´on, debido a que el total de las observaciones son procesadas en conjunto.

Procesamiento recursivo o secuencial. El procesamiento en este tipo de t´ecnicas se hace en cada muestreo del ambiente.

Los m´etodos que utilizan el enfoque de procesamiento por lotes de datos suponen una situaci´on ´optima, por lo que empiezan r´apidamente a excederse en los requerim- ientos computacionales que necesitan para llevarse a cabo[4]; por esta raz´on el sistema de seguimiento que se ha implementado es de tipo secuencial.

Elementos de un Sistema MTT

Blackman-Popoli [4] hacen referencia a una representaci´on funcional de los ele- mentos de un sistema de MTT recursivo; ´esta se puede observar en la Figura 2.7.

Figura 2.7: Elementos b´asicos de un sistema MTT convencional [4]. A continuaci´on se hace una breve descripci´on de algunos elementos relevantes que forman parte de la estructura de un sistema MTT.

Asociaci´on de datos. Consiste en encontrar la posici´on verdadera de un objeto en movimiento en presencia de candidatos igualmente v´alidos. En nuestro sistema de seguimiento, el uso del color como atributo permite realizar una asociaci´on de datos confiable, debido a que este atributo permite discriminar a losWMRs entre s´ı y del ambiente. La Figura 2.7 ilustra tres componentes que realizan la funci´on de asociaci´on:

• C´alculo de regiones de inter´es (Gating). Reduce el c´alculo innecesario de evaluaciones de observaciones para su inclusi´on en una trayectoria. Es una regi´on en el espacio de mediciones. Las regiones de inter´es se l´ımitan a la com- paraci´on de la vecindad de la posici´on estimada del objeto que se est´a sigu- iendo, estas regiones son relativamente peque˜nas lo que permite reducir la posible identificaci´on erronea de otro objeto con nuestros objetos de inter´es.

• Asociaci´on de Observaciones a Trayectorias. Toma las observaciones de las objetos de inter´es que satisfacen la regi´on de inter´es y determina cuales pares corresponden a la trayectoria que el objeto est´a describiendo a lo largo

de su desplazamiento[4]. La implementaci´on de m´ultiples filtros de Kalman permite asociar las nuevas observaciones del desenvolvimiento de los objetos de forma transparente y mantener de esta forma las trayectorias examinadas de cada uno de ellos.

• Mantenimiento del seguimiento. En el sistema de seguimiento utilizado ca- da filtro de Kalman realiza el mantenimiento del seguimiento de forma in- dependiente al realizar el an´alisis del movimiento del objeto de inter´es en desplazamiento. La implementaci´on de m´ultiples filtros de Kalman permite asociar las nuevas observaciones del desenvolvimiento de los objetos de for- ma transparente y mantener de esta forma las trayectorias examinadas de cada uno de ellos.

Filtrado y predicci´on. El filtrado incorpora la asignaci´on de observaciones en los par´ametros estimados de la trayectoria actualizada. Asimismo, las predicciones son hechas al tiempo en el que el siguiente muestreo es recibido [4]. Los sistemas modernos de tracking usan el filtrado de Kalman. ´Este provee la predicci´on del estado as´ı como la medida de la exactitud de la predicci´on, lo cual determina el tama˜no de la regi´on de inter´es(gate). La interacci´on de m´ultiples filtros de Kalman son ampliamente aceptados cuando existen condiciones que dificultan la manipulaci´on de las entidades [15].

2.5.1.

Modelo MTT

El algoritmo de seguimientoMTT utiliza un filtro de Kalman por cada objeto anal- izado de forma paralela en periodos de muestreo detms, figura 2.8. Este procedimiento es esencialmente una extensi´on del algoritmo descrito para realizar el seguimiento de un ´unico objeto descrito en la secci´on pasada, figura 2.8.

En la figura 2.8 se muestra el algoritmo implementado para realizar el seguimiento de m´ultiples objetos. El procedimiento b´asico que utiliza este algoritmo es asociar un filtro de Kalman por cada objeto que se desea seguir, para esto, los filtros de Kalman realizan el an´alisis de forma paralela en periodos determinados. Este esquema per- mite estimar las posiciones de los objetos de forma independiente en base a su de- senvolvimiento dentro de su trayectoria. Las estimaciones de las posiciones permiten reducir el ´area de b´usqueda del objeto en el siguiente periodo de tiempo y el m´etodo de localizaci´on incorporado mediante el uso del modelo de color L1L2L3 proporciona mayor eficiencia en la comparaci´on y discernimiento de las distribuciones candidatas durante el seguimiento.

Figura 2.8: Algoritmo MTT.

Algoritmo de seguimiento de m´ultiples objetos mediante el uso de FK paralelos.