Seguimiento visual por imitación INAOE Curso: “Robótica Probabilística” Dr. Luis Enrique Sucar Succar Apolinar Ramírez S Julio, 2007

Introducción El aprendizaje de tareas por imitación, facilitará la programación de los robots por usuarios finales. Problema a Resolver: - seguimiento de la trayectoria de una persona frente a un robot móvil dotado de una cámara.

CONTENIDO 1. Algoritmo atencional 2. Seguimiento 3. Mapeo humano-robot 4. Aprendizaje 5. RESULTADOS Y CONCLUSIONES

Algoritmo atencional ADABOOST: AdaBoost genera un conjunto secuencial de clasificadores AdaBoost puede emplearse como un sistema ATENCIONAL por su característica de identificar datos fuera de orden (outliers).

CONTRIBUCIONES 1) Representación de imágenes: “imagen integral” 2) Algoritmo basado en AdaBoost para la selección de características. 3) Método para combinar clasificadores en cascada para descartar el fondo del objeto a identificar. Un algoritmo aprox. 15 veces más rápido.

Suma - Características empleadas características => reconocimiento 24

Imagen “integral” 1 = A 2= A+B 3= A+C 4= A+B+C+D D= (2+3)

Base de Datos 324x288 = pixs detector: 28x28 = 576 pixs / 576 = 162 zonas 162 zonas x 280 = características

Algoritmo en base AdaBoost Freund & Schapire, 1995 Selección de T características T=10

Base de Datos La base de datos contiene ejemplos positivos y negativos

Clasificación por capas ACEPTAR RECHAZAR

Ejemplo./face –cascade=”haarcascade_frontalface_alt.xml”./mascota1

Seguimiento CamShift = Continuosly Adaptive Mean Shift, Bradsky, 1998 Imagen color => histograma => backprojection image (distribución de probabilidad del histograma) la moda de región de búsqueda, actualizándose

Estableciendo histograma

Seguimiento Trayectoria, w0w0 w1w1 w2w2 w3w3 w4w4 W(x,y,deltax, deltay)

Modelo cinemático del robot  Ecuaciones de movimiento donde v f = velocidad forward y v θ = velocidad angular

Modelo cinemático del usuario  Ecuaciones de movimiento donde v x = velocidad en direción frente al robot y v y = velocidad en dirección perpendicular v_cte = 3 Kms/hr

Políticas Movimientos posibles en términos de primitivas; SetSpeed(vel_traslación, vel_rotación) 1) “gira y avanza” 2) “no moverse” Formalmente, (x,t,α)= u x= estado t= tiempo α= parámetros u= acción

Resultados Se consideraron valores aproximados para el mapeo de coordenadas de la imagen a coordenadas reales (el radio del rostro con un valor fijo de 4.5” a una distancia de un metro) Camshift no tiene un buen rendimiento en entornos de color similar a la camisa de la persona. Se pierde. AdaBoost se comporta de manera aceptable.

Conclusiones Se requiere emplear técnicas de fusión para el seguimiento. Además del color, emplear el movimiento u otra característica que complemente la información Las primitivas del Pioneer habilitadas en Player/Stage son muy simples para una tarea más compleja. Las librerías de OpenCV no tienen algunas características deseables en una librería gráfica, por ejemplo, “clipping” de ventana.

Referencias  Paul Viola, Michael Jones; “Rapid object detection using a Boosted Cascade of Simple Features”; 2001  Avilés A. H. “Reconocimiento visual de ademanes aplicado a robots móviles”, Tesis doctoral, 2006  Manuales de OpenCV, Player/Stage

Gracias por su atención