FenixEdu™

Dissertação

{en_GB=Monocular Ball Detection and tracking with Noise Characterization} {} EVALUATED

Detalhes: {pt=O rastreamento de bolas tem sido um problema em que extenso estudo já foi feito, mas a precisão destes sistemas ainda é afetada por erros e existe uma falta de caracterização de ruído nos modelos de observação utilizados. Nesta tese, o objetivo é desenvolver um algoritmo que providencie localizações da bola em 3D com a correspondente caracterização de ruído a partir de blobs segmentados em 2D. Estes resultados são cruciais para lidar com as características que variam com a distância do ruído associado e podem servir como entrada em algoritmos de rastreamento para aumentar a sua robustez. Esta abordagem usa a conhecida cor e tamanho da bola e através segmentação de imagem é possível gerar estimações em 3D. Além disso, dois métodos que são Monte Carlo (MC) e Unscented Transform (UT), são utilizados para propagar a incerteza de ruído que depois é utilizada como entrada em um algoritmo de rastreamento para avaliar o seu desempenho. Os erros, quando utilizados as estimativas e covariâncias dos métodos propostos, foram inferiores quando comparados a uma covariância que se manteve fixa ao longo de todo o processo de localização, mostrando uma diminuição no erro até 76% em algumas trajetórias., en=Ball tracking has been a problem with extensive study done, but the accuracy of such trackers still gets affected by errors and there is a lack of uncertainty characterization in the observation models utilized. In this thesis, we aim to develop an algorithm that provides 3D ball locations with the corresponding noise characterization from 2D segmented blobs. These outputs are crucial to cope with distance varying characteristics of the noise associated and can serve as an input to tracking algorithms in order to increase their robustness. This approach uses the known color and ball size information and through image segmentation it is able to generate an estimation of its 3D location in space. Furthermore, two methods which are Monte Carlo (MC) and Unscented Transform (UT), are used to propagate the noise uncertainty which is then used as input into a tracker to test its performance.The errors, when using the measurements and covariances from the proposed methods, were inferior when comparing to a covariance that remained fixed throughout the whole tracking process, showing a decrease on the error up to 76% in some trajectories.}
Keywords: {pt=Projeção, Elipse, Covariância, Caracterização de ruído, RANSAC, en=Projection, Ellipse, Covariance, Noise Characterization, RANSAC}

Discussão: janeiro 29, 2021, 14:0