איתור ומעקב אחר הכדור בסרט וידאו של משחק כדורגל מדריך: גיא גלבוע מגישים: יגאל חלמיש גלבוע רוט.

Slides:



Advertisements
Similar presentations
ממיבחניםC שאלות ++.
Advertisements

1 Formal Specifications for Complex Systems (236368) Tutorial #4 Refinement in Z: data refinement; operations refinement; their combinations.
טבלאות סמלים נכתב ע"י אלכס קוגן סמסטר חורף, תשס"ח.
עיבוד תמונות ואותות בעזרת מחשב
A smart phone application for sales agents בס"ד.  סוכני מכירות מגיעים ללקוח ומבצעים הזמנות ע " פ דרישות הלקוח  סוכן המכירות נעזר בקטלוג מוצרים, טלפון.
איפיון השיזור הקוונטי של מצבים טהורים הרצאה למבחן מאסטר ישי שמעוני.
דוד שוורץ, עידן זק, נטע צור וחיה כהן. הפונקציונאליות : המשתמש יבחר קובץ שעליו הוא רוצה לבצע את האנליזה, וילחץ עליו עם כפתור ימני בעכבר. יפתח תפריט ובו.
רקורסיות נושאי השיעור פתרון משוואות רקורסיביות שיטת ההצבה
נושא הפרויקט : עקיבה אחר שתי מטרות מתנגשות בעזרת מסנן קלמן.
מסדי נתונים תשס " ג 1 תכנון סכמות (Design Theory) מסדי נתונים.
עקיבה אחר מטרה בשיטת מרכז מסה
מריוס הרשקוביץ. תוכן רקע רקע שיטות ואלגוריתמים שיטות ואלגוריתמים תוצאות תוצאות.
תרגול 5 רקורסיות. רקורסיה קריאה של פונקציה לעצמה –באופן ישיר או באופן עקיף היתרון : תכנות של דברים מסובכים נעשה ברור ונוח יותר, מכיוון שזו למעשה צורת.
שאלות חזרה לבחינה. שאלה דיסקים אופטיים מסוג WORM (write-once-read-many) משמשים חברות לצורך איחסון כמויות גדולות של מידע באופן קבוע ומבלי שניתן לשנותו.
מטרות הפרויקט הבנת בעיית העקיבה לימוד בעיית העקיבה החד ממדית לימוד השימוש במסנן קלמן לפתרונה שימוש בלוגיקה עמומה לשיפור הפתרון לימוד בעיית העקיבה הדו.
Power Consumption Awareness by using a Pedometer המעבדה לרשתות מחשבים המעבדה לרשתות מחשבים סמסטר אביב תשס " ח סמסטר אביב תשס " ח מנחים: איתי דברן – המעבדה.
1 שיפור עקיבה אחר מטרה בשיטת קורלציה ומרכז כובד בשילוב אלגוריתם IMM מגיש: שישלניקוב דניס מנחה: דר' גבי דוידוב הטכניון - מכון טכנולוגי לישראל TECHNION -
זיהוי צורת הליכה מוידיאו
Edge Detection Using MPI אמיר ושקובר אלכס הוניג. כללי  מציאת גבולות בתוך תמונה ע " י שימוש באלגוריתם למציאת שינוי גוון חדים בתמונות שהומרו לגווני אפור.
הטכניון – מכון טכנולוגי לישראל הפקולטה להנדסת חשמל המעבדה לחקר הראיה ומדעי התמונה שחזור תמונה באמצעות אלגוריתם MRF מבוסס מגישים : ערד שייבר ואיל שינדלר.
פרויקט מחקרי בנושא יחס הזהב ואסתטיקה של מנשקים ARD מנחה : פרופ ' נעם טרקטינסקי מנחה אקדמי : פרופ ' יובל אלוביץ ' מגישים : אפרת דוד ארסני קרופניק.
חורף - תשס " ג DBMS, צורות נורמליות 1 צורה נורמלית שלישית - 3NF הגדרה : תהי R סכמה רלציונית ותהי F קבוצת תלויות פונקציונליות מעל R. R היא ב -3NF.
1 Data Structures, CS, TAU, Splay Tree Splay Tree  מימוש של עץ חיפוש בינארי  מטרה לדאוג ל- Amortized Time  פעולה בודדת יכולה לקחת O(N)  אבל כל רצף.
1 Formal Specifications for Complex Systems (236368) Tutorial #5 Refinement in Z: data refinement; operations refinement; their combinations.
מצגת פרויקט עקיבה אחרי גוף נע פרויקט סמסטריאלי סטודנטים : וסילי גנקין מראט אקולוב מנחה : אריה נחמני סמסטר אביב תשס " ז.
בהסתברות לפחות למצא בעיה במודל PAC עבור בהסתברות ε הפונקציה f טועה מודל ONLINE 1. אחרי כל טעות הפונקציה משתפרת 2. מספר הטעיות קטן.
שיחזור תמונה בעזרת סופררזולוציה.. 1. הקדמה. נתון אובייקט בעולם האמיתי. מטרה היא לקבל תמונה של האובייקט הנתון בגודל מסויים (L x L). לרשותינו נמצאית מצלמה.
מסדי נתונים תשס " ג 1 תכנון סכמות – אלגוריתם פירוק לתבניות בצורת BCNF מסדי נתונים.
א " ב, מילים, ושפות הפקולטה למדעי המחשב אוטומטים ושפות פורמליות ( ) תרגיל מספר 1.
צוות : גרייף אלה כורך אילנה רשקובסקי לובה אוניברסיטת בו גוריון בנגב מחלקה להנדסה תוכנית להנדסת תוכנה Application Requirements Presentation.
מגישים: אנדרי זמנסקי יבגני שיפמן מנחה: ד"ר גבי דוידוב עקיבה אחרי ארבע מטרות תוך כדי מיון אוטומטי בשיטת קורלציה ו - JPDAF.
בעיות חיפוש – informed search בינה מלאכותית יעל נצר.
מנפה שגיאות - DEBUGGER מבוא למדעי המחשב (234114) רועי מלמד
Backpatching 1. תזכורת מתרגול קודם קוד ביניים - שפת הרביעיות שיטות לייצור קוד ביניים –שימוש בתכונת code –כתיבה ישירה ל-buffer של פקודות שיטות לתרגום מבני.
א " ב, מילים, ושפות הפקולטה למדעי המחשב אוטומטים ושפות פורמליות ( ) תרגיל מספר 1.
עקיבה אחר אובייקטים בסרט וידאו באמצעות שילוב אלגוריתם Condensation/Particle filter ו –Mean shift מגישים: אור שור תומר מץ מנחה : אריה נחמני.
השוואה בין מערכות למסדי נתונים בשקפים אלו נשווה בין מסד הנתונים של רכבת ישראל למסד של רכבת גרמניה. בהרבה מקרים, המסד של מערכת הרכבות הישראלית לא יכול למצוא.
01/01/01 אמיר ווינשטוק עירן חוף שקופית מס ’ 1 מימוש ובדיקת אלגוריתם ללמידה ע"י חיזוקים עבור רובוט המשחק הוקי - אויר : מגישים עירן חוף אמיר ווינשטוק : מנחה.
שיפור תמונות צבע תוך שימוש ב -Multiscale Retinex מבצעים : מרינה בלבנוב ירון זליכה מנחה : דר’ דורון שקד סמסטר חורף תשנ”ט.
פרויקט מסיים עיבוד מקבילי 2003 מגישים: יניב סרי ניר בן שחר.
טיב פני שטח (טפ"ש) טיב פני שטח- רמת החלקות של המשטח.
Data Structures, CS, TAU, Perfect Hashing 1 Perfect Hashing בעיה : נתונה קבוצה S של n מפתחות מתחום U השוואה ל - Hash : * טבלה קבועה (Hash רגיל - דינאמי.
עקיבה אחר מטרה באמצעות אלגוריתם Mean-Shift
איך למצוא ספר על המדף בספריה לחינוך ועבודה סוציאלית ? כדי לדעת מהו מיקומו של הספר שהנכם מעוניינים בו, יש לגשת לקישור " כל העותקים " הקיים בכל פריט בקטלוג.
אלכסנדר ברנגולץ דואר אלקטרוני: אלכסנדר ברנגולץ דואר אלקטרוני: פעולות מורפולוגיות.
1 Data Structures, CS, TAU, Perfect Hashing בעיה: נתונה קבוצה S של n מפתחות מתחום U השוואה ל- Hash : * טבלה קבועה (Hash רגיל - דינאמי) * רוצים זמן קבוע.
מציגים : PP23 אודי זמבל דני זיסליס
by Sagiv Frankel & Ayana Wiener, Advised by Dr. Chen Keasar Advised by Dr. Chen Keasar & Mr. Ran Yahalom & Mr. Ran Yahalom.
עיבוד תמונות ואותות בעזרת מחשב תרגול מס' 8: Template Matching
Global Motion Estimation קורס : מבוא לעיבוד מקבילי מרצה: דר' גיא תל צור מגישים: גלעד נרקיס אייר רום אייר רום קבוצה: pp3.
Eigenfaces for Recognition
1 עקיבה אחר מטרה בשיטת קורלציה בשילוב אלגוריתם IMM מגישים: קיריצ'נקו אלכס שישלניקוב דניס מנחה: דר' גבי דוידוב הטכניון - מכון טכנולוגי לישראל TECHNION -
1 מבוא למדעי המחשב סיבוכיות. 2 סיבוכיות - מוטיבציה סידרת פיבונאצ'י: long fibonacci (int n) { if (n == 1 || n == 2) return 1; else return (fibonacci(n-1)
Safari On-line books. מה זה ספארי ספארי זו ספריה וירטואלית בנושא מחשבים היא כוללת יותר מ כותרים כל הספרים הם בטקסט מלא ניתן לחפש ספר בנושא מסוים.
עקיבה וזיהוי של פעולות אדם. מבנה ההרצאה הצגת הבעיה – והצגת פתרון כללי לבעיות מסוג זה. Josephine Sullivan and Stefan Carlson Algorithm of Recognizing and.
מאיר אברהם ורוי חכמון. טכנולוגיות וידאו מודרני המשתמשים בהצגת וידאו דיגיטאלי הם היסודות עבור שידורי וידאו עכשווי, וידאו אינטראקטיבי, High Definition וידאו.
עקיבה אחר מטרה בשיטת מרכז כובד בשילוב אלגוריתם IMM מגישים: שי בן שחר גלעד רבינוביץ מנחה: דר' גבי דוידוב הטכניון - מכון טכנולוגי לישראל TECHNION - ISRAEL.
בניית ממשק למחשב המבוסס על פוזיציות של כף - יד בכפפה צבעונית מגישים : נוימן ליאור גלוזמן אלכס מנחה : מר טודטפלד ארי נובמבר 2004.
1 ׃1998 Morgan Kaufmann Publishers פקודת ה- jump 4 bits 26 bits 2 bits 00 : כתובת קפיצה במילים : כתובת קפיצה בבתים … …
מבוא למדעי המחשב לתעשייה וניהול הרצאה 6. מפעל השעווה – לולאות  עד עכשיו  טיפלנו בייצור נרות מסוג אחד, במחיר אחיד  למדנו להתמודד עם טיפול במקרים שונים.
צילום ועיבוד תמונות בפורמט RAW
דחיסה ושידור וידאו ברשת IP
השוואת נתונים למודל הסתברותי - כללית
Data Structures, CS, TAU, Splay Tree
הנעה חשמלית.
קצוות תמונה Edge Detection
למה.
תזכורת על מה דיברנו שיעור שעבר? בנינו אתר אינטרנט עם כותרות
ישום מערכות זיהוי פנים בעולם האמיתי
סמינר בנושאים מתקדמים בעיבוד תמונה
Presentation transcript:

איתור ומעקב אחר הכדור בסרט וידאו של משחק כדורגל מדריך: גיא גלבוע מגישים: יגאל חלמיש גלבוע רוט

מטרות הפרויקט: פיתוח מערכת לאיתור ומעקב אחר הכדור במשחק כדורגל מצולם. פיתוח מערכת לאיתור ומעקב אחר הכדור במשחק כדורגל מצולם. שימת דגש על יעילות האלגוריתם על מנת לאפשר מערכת זמן-אמת. שימת דגש על יעילות האלגוריתם על מנת לאפשר מערכת זמן-אמת. המערכת הינה חלק ממערכת כללית יותר למציאת מצבי ניבדל במשחק כדורגל. המערכת הינה חלק ממערכת כללית יותר למציאת מצבי ניבדל במשחק כדורגל.

דרישות: בדיקת שיטות לאיתור ומעקב אחר עצמים בסרט וידאו. בדיקת שיטות לאיתור ומעקב אחר עצמים בסרט וידאו. פיתוח אלגוריתם לאיתור ראשוני של הכדור. פיתוח אלגוריתם לאיתור ראשוני של הכדור. פיתוח אלגוריתם להמשך מעקב אחר הכדור תוך שימוש במידע קיים. פיתוח אלגוריתם להמשך מעקב אחר הכדור תוך שימוש במידע קיים. אפשרות עבודה עם פורמטים שונים של סרטים. אפשרות עבודה עם פורמטים שונים של סרטים. פיתוח מערכת העומדת בדרישות זמן-אמת. פיתוח מערכת העומדת בדרישות זמן-אמת.

שיטות לאיתור עצמים בתמונה: Edge-Detection: עקב גודל הכדור (2-6 פיקסלים) עצמים רבים בתמונה יכולים להיחשב ככדור. Edge-Detection: עקב גודל הכדור (2-6 פיקסלים) עצמים רבים בתמונה יכולים להיחשב ככדור. Thresholding: הכדור אינו העצם הבהיר ביותר ואינו בעל צבע ייחודי. Thresholding: הכדור אינו העצם הבהיר ביותר ואינו בעל צבע ייחודי. Templates: לאחר בחינה של מספר סרטים שונים, ניתן להגדיר סט קטן יחסית של תבניות המתאימות לכדור. Templates: לאחר בחינה של מספר סרטים שונים, ניתן להגדיר סט קטן יחסית של תבניות המתאימות לכדור.

Backgroun d picture Input frame Removing irrelevant information תאור האלגוריתם: Save information for processing next frame Template of the ball Ball location Choose best candidate Find matching patterns in frame Predefine d templates

מציאת תמונת רקע: ע"מ להקל באיתור הכדור נרצה להוריד מהתמונה מידע לא רלוונטי (קהל, סימונים על המגרש וכו'). ע"מ להקל באיתור הכדור נרצה להוריד מהתמונה מידע לא רלוונטי (קהל, סימונים על המגרש וכו'). לא ניתן להסתמך על תמונת רקע שצולמה לפני המשחק, מכיוון שתנאי התאורה משתנים ולכן נרצה למצוא את תמונת הרקע מאוסף התמונות של המשחק. לא ניתן להסתמך על תמונת רקע שצולמה לפני המשחק, מכיוון שתנאי התאורה משתנים ולכן נרצה למצוא את תמונת הרקע מאוסף התמונות של המשחק. הפחתת תמונת הרקע מכל תמונה תיצור תמונה חדשה בה מספר העצמים הדומים לכדור קטן משמעותית. הפחתת תמונת הרקע מכל תמונה תיצור תמונה חדשה בה מספר העצמים הדומים לכדור קטן משמעותית.

מציאת תמונת רקע (המשך): שיטת ה-Median: ביצוע median על רצף התמונות בזמן. שיטת ה-Median: ביצוע median על רצף התמונות בזמן. התוצאה המתקבלת הינה תמונה שבה עבור כל פיקסל נבחר הצבע השכיח ביותר. התוצאה המתקבלת הינה תמונה שבה עבור כל פיקסל נבחר הצבע השכיח ביותר. הכדור – הנע מהר יחסית – לא ימצא בתמונת הרקע. הכדור – הנע מהר יחסית – לא ימצא בתמונת הרקע.

הפחתת תמונת-הרקע מהתמונה: מכל תמונה נפחית את תמונת- הרקע. מכל תמונה נפחית את תמונת- הרקע. נדרש לבצע התאמה של התחום הדינמי של התמונה המתקבלת והתבניות. נדרש לבצע התאמה של התחום הדינמי של התמונה המתקבלת והתבניות.

איתור הכדור ע"פ תבנית: לאחר בדיקת סרטים שונים הגדרנו 8 תבניות המתאימות לגדלים שונים של הכדור ולכיווני תנועה שונים. לאחר בדיקת סרטים שונים הגדרנו 8 תבניות המתאימות לגדלים שונים של הכדור ולכיווני תנועה שונים.

איתור הכדור (המשך): קורלאציה עבור תמונת שחור-לבן. קורלאציה עבור תמונת שחור-לבן. –נבחר המועמד עבורו מתקבלת השגיאה הקטנה ביותר, ובתנאי שקטנה מסף מסוים. קורלאציה עבור תמונה צבעונית. קורלאציה עבור תמונה צבעונית. –בוצעה קורלאציה עבור כל צבע בנפרד. –בכל צבע נבחרו מספר מועמדים (ע"פ תחום שגיאה מוגדר). –נבחר מועמד לפי התאמה מקסימלית בשלושת הממדים.

שימוש בכדור כתבנית חיפוש בתמונה הבאה: לרוב ישנה קורלאציה גבוהה בין שתי תמונות עוקבות, לכן צורת הכדור תהיה כמעט זהה בשתי התמונות. לרוב ישנה קורלאציה גבוהה בין שתי תמונות עוקבות, לכן צורת הכדור תהיה כמעט זהה בשתי התמונות. לפני ביצוע קורלאציה על בסיס התבניות המוגדרות, ננסה תחילה את תבנית הכדור מהתמונה הקודמת. לפני ביצוע קורלאציה על בסיס התבניות המוגדרות, ננסה תחילה את תבנית הכדור מהתמונה הקודמת. בכל תמונה בה נמצא הכדור, "נחתוך" את הכדור בכדי שישמש תבנית חיפוש בתמונה הבאה. בכל תמונה בה נמצא הכדור, "נחתוך" את הכדור בכדי שישמש תבנית חיפוש בתמונה הבאה. תופעת סטייה מצטברת – נדרש תיקון ע“י מרכוז התבנית. תופעת סטייה מצטברת – נדרש תיקון ע“י מרכוז התבנית.

הקטנת שטח החיפוש: השינוי במיקום הכדור מתמונה לתמונה חסום ברדיוס של מספר עשרות פיקסלים. השינוי במיקום הכדור מתמונה לתמונה חסום ברדיוס של מספר עשרות פיקסלים. ננצל תכונה זו להקטנת שטח החיפוש ע"פ מיקום הכדור בתמונה הקודמת. ננצל תכונה זו להקטנת שטח החיפוש ע"פ מיקום הכדור בתמונה הקודמת. פעולה זו תעזור לעמוד בדרישות זמן-אמת. פעולה זו תעזור לעמוד בדרישות זמן-אמת.

הדגמה: הדגמה:

סיכום: תוצאות: תוצאות: –איתור הכדור בסרט צבעוני מניב תוצאות טובות יותר מאשר בסרט שחור- לבן, אך יקר יותר בזמן. –שימוש בכדור שנמצא כתבנית משפר משמעותית את נכונות האלגוריתם. –שימוש בהקטנת שטח החיפוש הקטינה את משמעותית את זמן החישוב ולא פגעה בנכונות. –רוב הטעויות במציאת הכדור מתרחשות כאשר הכדור מוסתר או נבלע בשחקן.

סיכום (המשך): הצעות להמשך: הצעות להמשך: –שילוב עם המערכת לאיתור השחקנים, תאפשר מעקב אחר שחקן כאשר הכדור ברשותו, במקום לנסות לאתר את הכדור. –צמצום שטח החיפוש ע"פ כיוון בכדור ומיקום גבולות המגרש (למקרה של חוץ, קרן, בעיטת שוער וכו').

סוף !