Reconnaissance automatique de points

[invite3be2f223]

Bonjour,

Je ne suis pas certain d'etre sur le bon forum pour ma question mais je tente quand meme le coup.

En gros, je dispose d'une sequence de données spatio-temporelles (cad des points qui bougent) et je souhaiterai les filtrer pour en faire quelque chose de propre.

Concretement. les données que j'ai correspondent au tracking d'un personne qui marche. Il y a 6 points à chaque instant (le pied, la cheville et le genou , pour chaque jambe). Je travaille avec Matlab. Je peux visualiser les points, mais il y a pas mal de bruit (parfois, les points sautent, ou disparaissent).

Je souhaiterai savoir si il existe des techniques de traimtement de signal qui me permetterai de reconstruir automatiquement les 6 trajectoires malgre les imprecision du tracking (detecter le pied gauche, a chaque instant , le genou droit a quand instant etc...) .

Ensuite j'ai les meme données avec des dizaines de personnes qui marche ensemble. Il faudrait que le filtre soit assez puissant pour tout reconstruire.
Est ce possibe a votre avis?
avez vous des conseils à me donner?

Merci d'avance
A+
-----

[invite5c27c063]

Je souhaiterai savoir si il existe des techniques de traimtement de signal qui me permetterai de reconstruir automatiquement les 6 trajectoires malgre les imprecision du tracking (detecter le pied gauche, a chaque instant , le genou droit a quand instant etc...) .

Pour parfaire la connaissance que tu as par la mesure des differentes positions, il me parait indispensable de rajouter de la connaissance par un modele. En particulier construire un modele cinematique qui decrit ces positions en fonction des accelerations et vitesses de rotation que tu peux aussi mesurer en equipant convenablement ton cobaye. Ce modele sera plus ou moins fiable car tu n'es peut-etre pas expert en anatomie, que ton bonhomme est peut-etre mal bati, que tu connais plus ou moins bien ses mensurations ou que tu n'auras que des donnees statistiques et enfin parce que tes mesures accelero et gyrometriques ne seront elles non plus pas parfaites.

Ensuite tu construis un filtre (un observateur) qui fait evoluer le modele et le recale de temps en temps par une mesure de position quand celle-ci est disponible. La theorie montre que pour une certaine fiabilite du modele et des mesures (qui n'est pas evidente du tout a estimer...), le filtre qui minimise l'erreur d'estimation est un filtre de Kalman. Il faut bien etre conscient que le filtre donnera toujours quelque chose mais que cela peut etre completement faux si on se trompe dans l'evaluation des defauts.

Est ce possibe a votre avis?

Je detourne un peu ta question, on peut deja se la poser a ce stade...

A coeur vaillant, rien d'impossible... Certes mais est-ce facile, surement pas !

Ensuite j'ai les meme données avec des dizaines de personnes qui marche ensemble. Il faudrait que le filtre soit assez puissant pour tout reconstruire.
Est ce possibe a votre avis?

Une fois que c'est fait pour une personne, rien n'empeche en theorie de l'etendre... Mais 6 positions, ca fait 18 coordonnees donc au moins 18 etats par personne (sans compter la modelisations des defauts...), plusieurs dizaines donc au moins 2, ca fait 20 personnes, 360 etats au minimum, donc des matrices d'ordre 360 a manipuler, inverser... (Rem : il y des methodes qui evitent l'inversion matricielle en prenant en compte les mesures sequentiellement et non toutes ensemble mais je n'ai jamais creuse quelle imprecision cela induit. C'est certain qu'on y perd quelque chose)
Si les personnes sont independantes ca parait plus realiste de faire tourner plusieurs filtres en parallele.

Pour un probleme velu, mon prof de spe disait "interessant". Dans cette acception, ton probleme est "interessant" Bon courage ! Peux-tu dire pour qui - pour quoi tu fais cette etude ?

[invite3be2f223]

okéééé , merci beaucoup Pat.

Ce que tu dis est finalement assez encourageant. En effet, il se trouve que les données que l'on a pour une seule personne sont assez propre. Elle peuvent etre reconstruite à la main, au pire des cas. Le principal probleme c'est lorsque plusieurs personnes sont suivie en meme temps (effectivement une vingtaine). Pour repondre a ta question, les positions ne sont pas independante, les gens interagissent les uns avec les autres.
D'apres ce que tu dis, je pense que je devrait utiliser les données avec une seule personne pour construire un model. puis utiliser ce model pour reconstruire les données en groupe, a l'aide d'un filtre de Kalman par exemple. Les gens qui marche en groupe, sont les memes qui ont marché seul au début.

Ok on avance. Par contre est ce que tu pourrais me dire grossomodo, c'est quoi un filtre de Kalman? Comment ça marche? il y a une fonction de son nom sous matlab, mais sans connaissance de base, je ne peux comprendre le descriptif et la façon de l'utiliser.

L'etude porte sur la capacité des gens à synchronizer leurs pas lorsqu'ils sont proche les uns des autres.

Merci d'avance

A+++

[invite5c27c063]

Par contre est ce que tu pourrais me dire grossomodo, c'est quoi un filtre de Kalman? Comment ça marche? il y a une fonction de son nom sous matlab, mais sans connaissance de base, je ne peux comprendre le descriptif et la façon de l'utiliser.

Alors grosso-modo, un observateur est un dispositif qui estime les etats d'un systeme a partir d'un modele et de mesures. En indiquant au modele quelles sont les commandes appliquees au systeme, le modele en predit l'evolution. Si le system fonctionnait exactement comme le dit le modele et qu'on connaissait parfaitement les commandes et l'etat initial, cela suffirait pour predire l'etat du systeme a tout instant. Les conditions sont evidemment telles que ce n'est jamais le cas. L'autre source de connaissance est la mesure de certains etat ou combinaison lineaire des etats. On corrige donc l'etat predit par le modele grace a la mesure du systeme reel. Cette mesure est aussi entachee de certaines erreurs ou n'est pas disponible souvent. En fonction de la fiabilite du modele, de la mesure et l'etat initial, on prend plus ou moins la mesure en compte.

Dans les annees 60, Rudolf Kalman a etablit les equations du filtre qui porte desormais son nom et minimise l'erreur d'estimation (sous certaines hypotheses) en connaissant la fiabilite du modele et des mesures.

Quelques saines lectures http://fr.wikipedia.org/wiki/Filtre_de_Kalman puis la version anglaise plus fouillee.

Personnellement, je n'aime pas trop la fonction Matlab et preferais la refaire a la main pour voir ce que je faisais

L'etude porte sur la capacité des gens à synchronizer leurs pas lorsqu'ils sont proche les uns des autres.

C'est pour un entrainement au defile ?

[A voir en vidéo sur Futura]