Mathesis Wiki

Die Pucks auf dem Luftkissentisch werden mithilfe von zwei verschiedenen Algorithmen verfolgt.
Um die Pucks im ersten Frame des Videos zu finden, werden sogenannte HAAR-Algorithmen verwendet. Übergibt man einem solchen Algorithmus ein Bild und eine speziell erstellte XML-Datei mit Suchparametern, gibt er die Bereiche, in denen sich die gesuchten Objekte befinden, zurück.
Diese Bereiche werden dann von dem zweiten Algorithmus: Camshift verwendet, um die Pucks in allen weiteren Frames zu verfolgen. Dazu sucht der Algorithmus den Puck innerhalb eines größeren Bereichs um die vorherige Position herum. Die Koordinaten der Bereiche, in denen die Pucks gefunden wurden, werden dann für jeden Frame an die Haupt-Datenstruktur übergeben und dort verarbeitet.

Da sich Camshift als zu unzuverlässig für unsere Anwendung herausgestellt haben, haben wir uns stattdessen für den KCF-Tracker (Kernelized Correlation Filters) entschieden. Dieser brachte deutlich bessere Ergebnisse, wenn das Tracking funktioniert, Kollisionen führten jedoch oft zu Fehlschlägen und damit zum Verlust des jeweiligen Pucks. Um dieses Problem zu beheben, wollen wir die Pucks mit einem Punkt in der Mitte makieren und nur diesen Mittelpunkt verfolgen, sodass die Box, die verfolgt wird, sich niemals mit anderen Boxen schneiden kann. Um diesen Ansatz zu testen und mit dem Ansatz der Verfolgung des gesamten Pucks (Boxen können sich schneiden) zu vergleichen, haben wir eine Simulation mehrerer Pucks in Processing (Java) geschrieben, aufgezeichnet und mit dem Tracker ausgewertet. Die Puck-Simulation basiert auf der Aufgabe, ein Pong-Spiel zu schreiben, aus dem Robotiklabor im WiSe 2017/18.

Man kann Haar Kaskaden benutzen um spezielle Objekte zu erkennen. Dafür muss man diese aber erst einmal mit positiven (Bilder die das gesuchte Objekt beinhalten) und negativen trainieren.

Wir haben uns dabei nach diesem Tutorial gerichtet.

Link um Fortschritt der laufenden Kaskade zu sehen:

http://mathesis.westeurope.cloudapp.azure.com/

PDF