PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 5

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  śledzenie ruchu
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote 3D Motion Tracking of the Shoulder Joint with Respect to the Thorax Using MARG Sensors and Data Fusion Algorithm
Barraza Madrigal José Antonio, Cantillo Negrete Jessica, Muñoz Guerrero Roberto, Contreras Rodríguez Lauro Armando, Sossa Humberto
Biocybernetics and Biomedical Engineering
|
2020
|
Vol. 40, no. 3
1205--1224
EN
A method for performing 3D motion tracking of the shoulder joint with respect to the thorax, using MARG sensors and a data fusion algorithm, is proposed. Two tests were done: 1) qualitative and quantitative analysis of the response of the sensors, static position and during motion, with and without the proposed data fusion algorithm; 2) motion tracking of the shoulder joint with the upper arm, the thorax, and the shoulder joint respect to the thorax. Qualitative analysis of experimental results showed that despite slight variations regarding the evaluated motion, these variations did not have repercussions on the estimated orientation. Quantitative analysis showed that the estimated orientation did not exhibit significant variations, in five minutes, such as drift errors (about 0.18 in static position and less than 1.88 during motion), variations due to noise or magnetic disturbances (RMSE less than 0.048 static position and less than 18 during motion); no singularity problems were reported. The main contributions of this research are a multisensor data fusion algorithm, which combines the complementary properties of gyroscopes, accelerometers, and magnetometers in order to estimate the 3D orientation of two body segments separately and with respect to another body segment considering the spatial relationship between them; and a method for performing 3D motion tracking of two body segments, based on the estimation of their orientation, including motion compensation. The proposed method is applicable to monitoring devices based on IMU/MARG sensors; the performance was evaluated using a customized motion analysis system.
2
Content available Optimization of Track-Before-Detect Systems with Decimation for GPGPU
Mazurek P.
Pomiary Automatyka Kontrola
|
2010
|
R. 56, nr 12
1523-1525
EN
Tracking systems based on Track-Before-Detect (TBD) scheme support tracking of low-SNR objects even if object signal is hidden in a noise. In this paper proposed method [1] is tested using Spatio-Temporal TBD algorithm with an additional code profiling using Nvidia CUDA computational platform. Different implementations are possible and the best solution for downsampled approach is based on the separate, register based state-space (without Shared Memory) and texture cache for input measurements.
PL
Algorytmy śledzenia przed detekcją umożliwiają śledzenie obiektów w warunkach niskiej wartości SNR (Signal-to-Noise Ratio) jednak są one bardzo złożone obliczeniowo. Wykorzystując GPGPU (programowalny procesor graficzny) możliwa jest implementacja czasu rzeczywistego. Dla zaproponowanego w [1] rozwiązania optymalizacji implementacji algorytmu z decymacją sygnału wyjściowego możliwe jest kilkukrotne skrócenie czasu obliczeń. W artykule przedstawiono i porównano dalsze możliwe rozwiązania optymalizacji z wykorzystaniem platformy programowej Nvidia CUDA dla rekurencyjnego algorytmu Spatio-Temporal Track-Before-Detect. Przestrzeń stanów może być decymowana w celu lepszego wykorzystania szybkiej pamięci współdzielonej dostępnej w GPGPU, podczas gdy dane wejściowe oraz wyjściowe przechowywane są w wolnej pamięci globalnej. Wykorzystując testy numeryczne z wykorzystaniem opracowanego oprogramowania do profilowania kodu źródłowego stwierdzono, że najbardziej wydajnym rozwiązaniem spośród analizowanych jest implementacja z oddzielnymi kernelami przetwarzania dla poszczególnych wektorów ruchu, wykorzystania rejestrów do przechowywania danych przestrzeni stanów w miejsce pamięci współdzielonej oraz pamięci texture cache do buforowania danych wejściowych. W przypadku niewykorzystywania metody decymacji optymalnym jest wykorzystanie oddzielnych kerneli, rejestrów dla przestrzeni stanów i bezpośredniego dostępu do pamięci globalnej dla danych wejściowych.
3
Content available Optimization of Track-Before-Detect Systems for GPGPU
Mazurek P.
Pomiary Automatyka Kontrola
|
2010
|
R. 56, nr 7
655-667
EN
A computation speed of Track-Before-Detect algorithm with GPGPU implementations are compared in the paper. The conventional and subpixel variants for different thread processing block sizes are compared. Decimation of the state space for reduction of the external memory accesses is assumed. The GPGPU code profiling technique by the source code synthesis is applied for finding of the best parameters and code variants for particular GPGPU.
PL
Systemy śledzenia oparte na schemacie śledzenia przed detekcją (TBD) umożliwiają śledzenia obiektów o niskim stosunku sygnału do szumu (SRN<1), co jest ważne dla zastosowań cywilnych i wojskowych. Konwencjonalne systemy śledzenia oparte na detekcji i śledzeniu nie są odpowiednie z uwagi na dużą ilość fałszywych lub utraconych detekcji. Najważniejszą wadą algorytmów TBD jest skala obliczeń, ponieważ wszystkie hipotezy (trajektorie) powinny być testowane, nawet jeśli nie ma obiektu w zasięgu. Proponowana metoda [8] oparta o decymację daje istotną (kilka razy) redukcję czasu przetwarzania na GPGPU. Programowalne karty graficzne (GPGPU) zawierają dużą ilość jednostek przetwarzania (procesorów strumieniowych) z bardzo małą, ale szybką pamięcią współdzieloną oraz dużą, ale bardzo wolną pamięcią globalną. Proponowana metoda [8] została w artykule przetestowana z wykorzystaniem algorytmu Spatio-Temporal TBD z dodatkowym profilowaniem kodu z wykorzystaniem platformy przetwarzania Nvidia CUDA. Kompilator CUDA jest dodatkowo używany do optymalizacji czasu przetwarzania z różnymi rozmiarami bloku przetwarzania. Przestrzeń stanów jest przetwarzana wewnętrznie z wykorzystaniem pamięci współdzielonej i przechowywana w pamięci globalnej po pewnej określonej liczbie kroków czasowych. Podejście z okienkowaniem jest używane do przetwarzania wejściowych danych pomiarowych 2D przechowywanych w pamięci globalnej.
4
Content available Likelihood Functions Synthesis for Multitarget Multiple-Sensor Tracking Applications using GPGPU
Mazurek P.
Pomiary Automatyka Kontrola
|
2010
|
R. 56, nr 7
662-664
EN
One-dimensional interpolation of the bearing function profile using small look-up-table as an alternative for run-time computation using direct formula is proposed in the paper. Computation of profile values is not necessary for large distances because a Gaussian profile is assumed so distance values are zeros. GPGPU are feasible for processing in parallel and are used in tests. The best results are obtained for conditional approach with distance test and look-up table of function profile.
PL
Podejście bayesowskie jest często stosowane w celu uzyskania wysokiej jakości śledzenia i detekcji obiektów. Pomiarowa funkcja wiarygodności służy do wyspecyfikowania własności czujnika pomiarowego. Funkcje wiarygodności czujników (np. radarowych, wizyjnych) są określone wzorami matematycznymi [5] lub tabelami wartości. Wiele funkcji wiarygodności może zostać połączonych razem (5) w celu fuzji danych z wielu czujników. Funkcje wiarygodności można łatwo łączyć w przypadku dyskretnej przestrzeni pomiarowej 2D. Funkcja te jest zależna od odległości między czujnikiem a określoną komórką tej przestrzeni. Realizacja wszystkich możliwych kombinacji z wykorzystaniem tabeli wartości jest nieefektywna. Wyznaczenie funkcji wiarygodności w czasie rzeczywistym dla najbardziej typowej funkcji stosowanej w czujnikach wizyjnych jest możliwe za pomocą wzoru (6) lub uproszczonej postaci (7). W artykule zaproponowano interpolację jednowymiarową profilu funkcji z wykorzystaniem tabeli wartości i porównano z realizacją bezpośrednią (6). Ponadto wyznaczenie wartości profilu można uprościć dla dużej odległości między czujnikiem a określoną komórką. Do implementacji wykorzystano programowalny procesor graficzny (GPGPU), a w celu dalszej optymalizacji wykorzystano fakt, że nie jest konieczna synteza dla wszystkich komórek przestrzeni stanu.
5
Content available Small Targets Subpixel Position Estimation using GPU
Mazurek P.
Pomiary Automatyka Kontrola
|
2009
|
R. 55, nr 8
651-653
EN
Position estimation of small targets occurs in numerous applications and for pixel-size targets subpixel resolution can be obtained using advanced image processing algorithms. Subpixel estimation using Center-of-Gravity (Center-of-Mass) give ability of position estimation with magnitude higher resolution in comparison to the conventional, maxima based search method. Application of COG algorithm [3] needs prior detection of targets using morphological filters. In this article is assumed 3x3 window and up to 2x2 pixels excitation by target. Proposed detection method and COG estimation can be processed in parallel what is important for CPU and GPU (Graphics Processing Unit) implementations due to single-pass image processing. Different implementations are compared (full processing of both algorithms; COG calculation driven by detection; full and prefilled results data storage; two implementations of divide operations in COG) for 1024x1024 input images. For GPU implementation CUDA (Compute Unified Device Architecture) is used.
PL
Konieczność detekcji położenia obiektów o małym rozmiarze, rzędu rozmiaru piksela występuje w wielu praktycznych zastosowaniach cyfrowego przetwarzania obrazów. Dla obiektów o tych rozmiarach występują pobudzenia zwykle większej liczby pikseli, co pozwala na estymację położenia z rozdzielczością subpikselową (podpikselową). Możliwe jest wyznaczanie położenia obiektu w takim przypadku z precyzją kilka, kilkanaście razy większą niż w przypadku estymacji opartej na poszukiwaniu położenia maksymalnej wartości sygnału. W tym celu konieczne jest zastosowanie algorytmu estymacji, takiego jak algorytm środka ciężkości wyliczającego estymaty wokół maksymalnej wartości wykrytej za pomocą filtru morfologicznego. Dla obiektów o rozmiarze rzędu piksela (na przetworniku) pobudzenie dotyczy od jednego do czterech pikseli, jednak konieczne jest uwzględnienie niezbędnej separacji pomiędzy potencjalnymi sąsiednimi obiektami. Jeśli nie występuje nałożenie lub stykanie się obiektów, to za pomocą zaproponowanego detektora morfologicznego dla obrazów w odcieniach szarości możliwe jest wykrycie obiektu. Do precyzyjnego wyznaczania położenia wykorzystano zoptymalizowany algorytm środka ciężkości, w którym zmieniono sposób indeksacji wartości pikseli, tak by zmniejszyć ilość operacji arytmetycznych, zarówno mnożeń jak i dodawań. Ponieważ istotna jest efektywna obliczeniowo realizacja algorytmu porównano dwie zasadnicze implementacje w oparciu o CPU i GPU (Graphical Processing Unit). Kluczowym zagadnieniem jest minimalizacja ilości przesyłanych danych w obu implementacjach, między jednostką przetwarzającą a pamięcią przechowującą obraz wejściowy i wyniki (położenia obiektów). Rozwiązanie bazujące na zoptymalizowanym algorytmie detekcji i estymacji położenia pozwala na jednoprzebiegowe przetwarzanie obrazu, bez konieczności magazynowania wyników pośrednich w stosunkowo wolnej pamięci. Zbadano i porównano różne warianty implementacji, wykorzystujące pełne przetwarzanie wszystkich danych za pomocą obu algorytmów, warunkowe przetwarzanie algorytmu środka ciężkości sterowane detekcją, wstępne wypełnianie pamięci wyników oraz dwa warianty implementacji operacji dzielenia wymaganej przez algorytm środka ciężkości. Uzyskane wyniki pokazują, że implementacja z wykorzystaniem GPU była co najmniej o rząd wielkości szybsza w stosunku do CPU. W badaniach wykorzystano pojedynczy rdzeń CPU Q6600 oraz GPU G80 (Geforce 8800 GTS). Zaproponowane rozwiązania pozwalają na implementację w czasie rzeczywistym, gwarantując maksymalny czas przetwarzania. Dla implementacji z warunkowym przetwarzaniem i wstępnym wypełnianiem pamięci wyników uzyskano statystyczne skrócenie czasu przetwarzania. Oba rozwiązania dzielenia dla GPU były tak samo efektywne, ponieważ zasadniczym ograniczeniem systemu jest przepustowość pamięci. Dla obrazów o rozmiarze 1024x1024 pikseli uzyskano przetwarzanie z szybkością ponad 400 klatek na sekundę, a w wariantach bardziej zoptymalizowanych ponad 800 klatek na sekundę, co pozwala to na wykorzystanie GPU także do innych celów, przy systemach pracujących z mniejszą liczbą klatek na sekundę. Abstract: Position estimation of small targets occurs in numerous applications and for pixel-size targets subpixel resolution can be obtained using advanced image processing algorithms. Subpixel estimation using Center-of-Gravity (Center-of-Mass) give ability of position estimation with magnitude higher resolution in comparison to the conventional, maxima based search method. Application of COG algorithm [3] needs prior detection of targets using morphological filters. In this article is assumed 3x3 window and up to 2x2 pixels excitation by target. Proposed detection method and COG estimation can be processed in parallel what is important for CPU and GPU (Graphics Processing Unit) implementations due to single-pass image processing. Different implementations are compared (full processing of both algorithms; COG calculation driven by detection; full and prefilled results data storage; two implementations of divide operations in COG) for 1024x1024 input images. For GPU implementation
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.