Η παρακολούθηση κινούμενων ανθρώπων σε πραγματικά περιβάλλοντα είναι μείζονος σημασίας σε μία μεγάλη ποικιλία εφαρμογών, συμπεριλαμβανομένων της παρακολούθησης χώρων μέσω video και της αλληλεπίδρασης ανθρώπου-ρομπότ. Στην παρούσα εργασία, αυτό επιτυγχάνεται χρησιμοποιώντας ένα 2Δ laser αισθητήρα, ο οποίος είναι τοποθετημένος στο ύψος των ποδιών, και μία τυπική web κάμερα. Η χρήση δύο αισθητήρων επιβάλλει ως ένα πρώτο στάδιο στη μεθοδολογία μας τη βαθμονόμηση του συστήματος αισθητήρων.
Η προτεινόμενη μέθοδος παρακολούθησης είναι μία επαναληπτική διαδικασία αποτελούμενη από ένα βήμα ομαδοποίησης και ένα βήμα παρακολούθησης. Στο πρώτο βήμα, το κέντρο κάθε ανθρώπου δημιουργείται
από ομαδοποίηση δεδομένων που προκύπτουν από το συνδυασμό της πληφορορίας των δύο αισθητήρων. Η μέθοδος ομαδοποίησης που αναπτύξαμε βασίζεται στην ιδέα του Human Evidence Grid (HEG). Το τελευταίο είναι ένα 2Δ καρτεσιανό πλέγμα δέσμευσης (occupancy grid), τα κελιά του οποίου αναπαριστούν την ένδειξη κατάληψης του χώρου παρακολούθησης από άτομα, όπως αυτή προκύπτει από τον εντοπισμό ενός προσώπου στην εικόνα. Η πιθανοφάνεια της δέσμευσης, την οποία αναπαριστά το HEG, προκύπτει από μία διαδικασία εκπαίδευσης. Η εκπαίδευση επετεύχθη από τη θεώρηση
πλήθους δεδομένων για την εκμάθηση πραγματικών συσχετισμών προσώπων και των αντίστοιχων μετρήσεων. Η αποτελεσματικότητα της προτεινόμενης μεθόδου διερευνήθηκε συγκρίνοντάς τη με μία Ευκλείδια προσέγγιση, η
οποία θεωρεί μόνο δεδομένα LRS. Τα αποτελέσματα δείχνουν ότι η ομαδοποίηση με βάση το HEG υπερτερεί της Ευκλείδιας προσέγγισης. Στο δεύτερο βήμα, τα παραγόμενα ομαδοποιημένα κέντρα παρακολουθούνται από έναν Rao-Blackwellized Particle Filtering (RBPF) Multiple Target Tracker, όπου η εμφάνιση και η εξαφάνιση κάθε ανθρώπου κωδικοποιείται μέσω μίας κατανομής που μοντελοποιεί τον διάρκεια "ζωής" κάθε στόχου.
Ενας αριθμός από σύνολα δεδομένων χρησιμοποιήθηκαν για τον έλεγχο της προτεινόμενης μεθόδου σε πραγματικές συνθήκες. Τα αποτελέσματα ενός συνόλου δεδομένων, όπου τρεις άνθρωποι παρακολοθούνται σε επιβλεπόμενη περιοχή, παρουσιάζονται και αναλύονται. Τα πειραματικά μας αποτελέσματα επιδεικνύουν την αποδοτικότητα της HEG ομαδοποίησης ως προς τη διαχείριση προσωρινών επικαλύψεων στην επιβλεπόμενη περιοχή.
(EL)
Tracking multiple people simultaneously in real-world environments is crucial for a wide variety of applications, including video surveillance and human-robot interaction. In this work, we present a method for tracking an unknown number of humans from a robotic platform. This is accomplished by using the robot's 2D Laser-Range Scanner sensor located at the feet height and a plain web camera. Since we employ two separate sensory modalities, we commence by providing a method to manually, yet with minimal effort, calibrate the sensory setup.
The proposed tracking methodology is an iterative process which consists of a clustering and a tracking step. During the first step, human centers are being produced from the fusion of sensory data by means of clustering. The developed clustering method is based on the newly introduced Human Evidence Grid (HEG). HEG constitutes a 2D Cartesian occupancy grid, whose cells capture the occupancy evidence -i.e. a detected human face on the image plane occupies the respective cell- of environment targets, being monitored by the LRS scanner. The occupancy likelihood, that the HEG holds, is calculated according to a training process. Several training datasets were considered in order to robustly learn real-life configurations among a human face and the corresponding LRS measurements that the detected face may produce. The potential of the developed methodology is explored by comparing it to a Euclidean approach which considers only LRS data. The results clearly indicate that HEG clustering outperforms the Euclidean approach. In the second step, the produced cluster centers are subsequently being tracked by a Rao-Blackwellized Particle Filtering (RBPF) Multiple Target Tracker, where human appearance and disappearance are coded via a distribution that models the lifetime of each target.
Several datasets were captured in order to test the proposed approach in real-life scenarios. The results from a dataset, where three people are being monitored and tracked in the surveillance area, are presented and described in detail. Our experimental results demonstrate the effectiveness of HEG clustering in handling temporary occlusions in the LRS area.
(EN)
