FI121981B

FI121981B - Kohteen seuraaminen konenäössä

Info

Publication number: FI121981B
Application number: FI20060926A
Authority: FI
Inventors: Perttu Haemaelaeinen
Original assignee: Virtual Air Guitar Company Oy
Priority date: 2006-10-20
Filing date: 2006-10-20
Publication date: 2011-06-30
Also published as: FI20060926A0; WO2008046963A1; FI20060926L; EP2080168A1; US20100322472A1

Description

KOHTEEN SEURAAMINEN KONENÄÖSSÄ KEKSINNÖN ALA

Keksintö liittyy mallipohjaiseen konenäköön. Keksintö liittyy erityisesti mallin parametrien yhdis-5 telmän löytämiseen siten, että malli vastaa visuaalista havaintoa.

KEKSINNÖN TAUSTA

Konenäköä käytetään useilla eri sovellusalu-10 eilla. Eri sovellukset vaativat erilaisen lähestymistavan, koska ongelma vaihtelee sovelluksen mukaan. Esimerkiksi, laadunvalvonnassa konenäköjärjestelmä käyttää digitaalista kuvantamista analysoitavan kuvan saamiseksi. Analyysi voi olla esimerkiksi maalin väri-15 analyysi tai oksien lukumäärä laudassa.

Yksi mahdollinen konenäön sovellus on mallipohjainen näkö, missä kohde, kuten esimerkiksi kasvot, täytyy havaita kuvassa. Tunnistamisen helpottamiseksi on mahdollista käyttää erityisiä kohteita, kuten esi-20 merkiksi erityinen puku pelejä varten. Joissakin sovelluksissa on kuitenkin tarpeellista tunnistaa luonnollisia ominaisuuksia kasvoista tai muista ruumiinosista. Vastaavasti on mahdollista tunnistaa muita kohteita tunnistettavan kohteen koon tai muodon perus-25 teella. Tunnistusdataa voidaan käyttää useisiin eri tarkoituksiin, esimerkiksi kohteen liikkeen määrittä-^ miseksi tai kohteen tunnistamiseksi.

^ Tällaisen mallipohjaisen konenäön ongelma on co *? se, että se on laskennallisesti erittäin vaikeaa. Li es o 30 säksi todellisen maailman havaintoja voidaan pyörittää

Ee minkä tahansa akselin ympäri. Siten yksinkertainen Q_ mallin ja havainnon vertailu ei ole soveltuvaa, koska

CD

es se ei ota huomioon pyörityksiä ja kallistuksia, o § Aikaisemmin tämä ongelma on ratkaistu opti cs cm 35 momnilla ja Bayesin estimointimenetelmillä, kuten ge neettisillä algoritmeilla ja osasuotimilla. Tunnetun 2 tekniikan ongelmana on se, että menetelmät vaativat liian paljon laskentatehoa useille tosiaikaisille sovelluksille ja optimaalisten malliparametrien löytäminen on epävarmaa.

5

KEKSINNÖN YHTEENVETO

Keksintö kuvaa konenäkömenetelmän, järjestelmän ja -ohjelmistotuotteen kohteen seuraamiseksi. Menetelmä alustetaan määrittämällä seurattava 10 kohde. Kohde voi olla erityinen erityisesti seurattavaksi tarkoitettu kohde tai mikä tahansa kuva tai muoto, kuten kasvot. Seuraavaksi otetaan kuva, johon kuuluu määritetty kohde. Tyypillisesti kuvan ottamiseen käytetään tavallista digitaalista kameraa tai videoka-15 meraa.

Kohdetta esitetään mallilla, jonka tila määritetään parametrivektorilla. Esimerkiksi malli voi olla tasomaisen kohteen kuva, joka täytyy löytää. Tässä tapauksessa parametrivektorilla on kuusi element-20 tiä: kolmiulotteinen translaatio ja rotaatio. Paramet-rivektorin arvo, joka on piste etsintäavaruudessa, määrittää mallin esiintymisen kuva-avaruudessa. Seurannan tavoite on löytää parametrivektori, jossa mallin esiintyminen vastaa otettua kuvaa.

25 Oikea parametrivektori löydetään luomalla sa tunnaisia parametrivektorinäytteitä siten, että ensin valitaan osa etsintäavaruutta. Sitten luodaan todennä-o köisyysjakauma perustuen valittuun etsintäavaruuden cö osaan. Tämän jälkeen luodaan näyte muodostetusta to- o ^ 30 dennäköisyysjakaumasta. Luodulle näytteelle on mahdol- ° lista laskea sopivuusfunktio. Luotuun näytteeseen pe- x £ rustuen valitaan osa etsintäavaruutta. Tämän jälkeen cd valittu osa jaetaan. Näitä vaiheita toistetaan kunnes

(M

o saavutetaan päätösehto. Päätösehto voi olla laatukyn-

CD

§ 35 nysarvo, toistojen määrä, aikajakso tai jokin vastaa- 0X1 va. Siten valinta ja laskenta ovat jatkuva prosessi, missä edellistä dataa käytetään tuleviin laskentoihin.

3

Eräässä keksinnön sovelluksessa laskettu data tallennetaan puurakenteeseen, joka on edullisesti kd-puu. Puu rakennetaan jokaiselle otetulle kuvalle. Edelleen eräässä keksinnön lisäsovelluksessa puu ra-5 kennetaan perustuen edelliseen puuhun. Siten edellisen puun informaatiota voidaan käyttää ja hyväksyttävään tunnistukseen vaadittavien toistojen määrää voidaan alentaa merkittävästi.

Esillä olevan keksinnön etu on se, että se 10 kykenee tunnistamaan liikkuvia kohteita. Siten se on soveltuva joukkoon sovelluksia, joiden tarvitsee seurata haluttua kohdetta. Esillä olevan keksinnön mukainen ratkaisu kykenee tunnistamaa kohteen vähemmillä toistoilla kuin tunnetun tekniikan mukaiset järjestel-15 mät. Siten tunnistus voidaan tehdä joko tarkemmaksi tai se voidaan suorittaa vähemmillä toistoilla tai ly-hyemmissä aikajaksoissa. Tämä vähentää laskentaresurssien tarvetta halutun tuloksen tarjoamiseksi. Lisäksi keksintö ratkaisee tunnetun tekniikan ongelmat varmem-20 min ja vähemmällä laskentateholla.

KUVIOLUETTELO

Oheen liitetyissä kuvissa, jota on sisälly-25 tetty tarjoamaan keksinnön ymmärtäminen ja muodostamaan tämän selostuksen osa, esittävät keksinnön sovel-luksia ja yhdessä selostuksen kanssa helpottavat se- o littämään keksinnön periaatteita. Kuvioissa pq Kuvio 1 on lohkokaavio esittäen esillä olevan o ' 30 keksinnön erästä sovellusta, 05 ° kuvio 2 esillä olevan keksinnön mukaisen me- x £ netelmän vuokaavio, cd kuvio 3 on lohkokaavio eräästä kuvion 2 mu-

CM

§ kaisen menetelmän toteutuksesta,

CD

o 35 kuvio 4 on graafinen esitys keksinnön erään esimerkkisovelluksen tuloksesta.

4

KEKSINNÖN YKSITYISKOHTAINEN KUVAUS

Seuraavaksi viitataan yksityiskohtaisesti esillä olevan keksinnön toteutuksiin, joiden esimerkkejä esitetään oheen liitetyissä kuvioissa.

5 Dokumentti käyttää seuraavaa matemaattista notaatiota.

x reaaliarvojen vektori xT vektorin x transpoosi 10 x(n) x:n n. elementti A reaaliarvojen matriisi a(n,k) A:n elementti rivillä n sarakkeessa k [a,b,c] vektori, jossa on elementit a, b, c 15 f(x) sopivuusfunktio E[x] satunnaismuuttujan x (keskimääräi nen) odotusarvo std[x] satunnaismuuttujan normaalijakauma 20

Esillä olevan keksinnön mukaan ratkaisuvekto-ri x, johon kuuluu k parametria, löytyy tärkeysnäyt-teistämisen kautta, jossa sopivuusfunktiota f(x) pidetään k parametrien todennäköisyystiheysfunktiona. 25 Näytteet (satunnaiset parametrivektoriarvot) luodaan sopivuustodennäköisyysjakauman estimaatista. Mahdolli-set arvot k parametreille muodostavat k-ulotteisen et-o sintäavaruuden. Useimmat näytteistä luodaan etsintä-

CM

cv) avaruuden alueille, joilla sopivuus on korkea. Eräässä o ^ 30 keksinnön sovelluksessa tärkeysnäytteistämmen käyttää ° kd-puuta etsintäavaruuden adaptiivisesti jakamiseksi x £ pienempiin ja pienempiin k-ulotteisiin hyperkuutioita hin.

CM

§ Kuviossa 1 esitetään lohkokaaviota eräästä

CD

Q 35 esillä olevan keksinnön mukaisesta toteutuksesta. Esi- o ^ merkkitoteutus käsittää mallin tai kohteen 10, kuvan- tamisvälineen 11 ja laskentayksikön 12. Kohde 10 on 5 tässä sovelluksessa shakkilauta. Kohde voi kuitenkin olla mikä tahansa muu haluttu kohde, joka on tehty erityisesti tarkoitusta varten tai luonnollinen kohde, kuten kasvot. Kuvantamisväline voi olla, esimerkiksi 5 tavanomainen digitaalinen kamera joka kykenee ottamaan kuvia halutulla tarkkuudella ja nopeudella. Laskentayksikkö 12 voi olla esimerkiksi tavanomainen tietokone, jossa on riittävästi laskentatehoa tarjoamaan tulos halutulla laadulla. Lisäksi laskentayksikköön 10 kuuluu yleiset välineet, kuten prosessori ja muisti, tietokoneohjelman tai tietokoneella toteutetun menetelmän suorittamiseksi esillä olevan keksinnön mukaisesti. Lisäksi laskentayksikköön kuuluu tallennuskapasiteettia referenssikohteiden tallentamiseksi.

15 Kuvio 2 kuvaa vuokaavion esillä olevan kek sinnön mukaisesta menetelmästä. Keksinnön ymmärtämiseksi paremmin, kuvioon 3, joka on graafinen esitys kuvion 2 mukaisen menetelmän toteutuksesta, viitataan seuraavassa kuvion 2 menetelmän kuvauksessa. Kuviot 2 20 ja 3 kuvaavat perusasetelman kohteen tunnistamiseksi kuvasta, joka on otettu kuvantamisvälineellä.

Selostuksen yksinkertaistamiseksi kuvion 3 etsintäavaruus 31 on kaksiulotteinen projektio yleisestä k-ulotteisesta etsintäavaruudesta, joka on jaet-25 tu k-ulotteisiin hyperkuutioihin. Siten, hyperkuutioi ta kuvataan suorakulmioilla. Esillä olevan keksinnön esimerkkisovelluksen mukainen menetelmä aloitetaan va-^ litsemalla osa 32 etsintäavaruudesta, vaihe 20. Ensik- ^ si, kun etsintäavaruutta ei ole miehitetty näytteillä, co ? 30 valittava osa 32 voi vastata koko etsintäavaruutta.

o Kuvio 3 esittää menetelmän etenemistä joukon alusia tusiteraatiota suorittamisen jälkeen siten, että et- sintäavaruudessa 31 on jo kuusi näytettä, jotka on §5 merkitty kirjaimella x, joihin kuuluu näyte 33 osan 32 o § 35 sisällä. Osan todennäköisyys valitaan osan sisällä ^ olevien näytteiden sopivuuden ja osan koon funktiona.

6

Etsintäavaruuden osan valitsemisen jälkeen muodostetaan todennäköisyysjakauma 34 osaan perustuen, vaihe 21. Kuviossa 3 todennäköisyysjakauma 34 kuvataan siten, että näytteen todennäköisyys on nollasta poik-5 keava elliptisen muodon sisäpuolella. Todennäköisyysjakauma 34 on tyypillisesti muodostettu siten, että näytteen todennäköisyys on suuri valitun osan 32 sisällä ja läheisyydessä.

Sitten luodaan näyte 35 muodostetusta jalo kaumasta, vaihe 22, ja sen sopivuus lasketaan, vaihe 23. Sopivuuslaskenta on sovelluskohtaista. On olemassa useita eri funktioita joita voidaan käyttää sopivuus-laskennassa. Sopivuusfunktion tarkoitus on löytää kuinka hyvin näytteen 35 antaman mallin parametrit 15 vastaavat seurattavan kohteen ilmentymistä ja sijain tia .

Esimerkkinä soveltuvasta sopivuusfunktiosta on normalisoitu ristikorrelaatio. Shakkilauta on esimerkki tasomaisesta kohteesta pintakuviolla, joka voi-20 daan tunnistaa. Tässä tapauksessa normalisoitua risti-korrelaatiota voidaan käyttää sopivuusfunktiona. Edelleen esimerkki soveltuvasta sopivuusfunktiosta on muodon reunan intensiteetin summa. Kohteita usein mallinnetaan ja seurataan käyttämällä muototemplaatteja. 25 Tässä tapauksessa sopivuus voidaan muodostaa kuvan gradientin suuruusluokkien summana joukosta muotopis-teitä arvioituna muodon normaalien suunnassa. Nämä ^ kaksi sopivuusfunktiota ovat vain esimerkkejä ja alan ammattimies voi valita muun sopivuusfunktion joka so-oo ? 30 veltuu seurattavalle kohteelle.

o Sopivuuslaskennan jälkeen luodaan uusi osa 36 jakamalla etsintäalueen osa, jolla näyte 35 on, vaihe

CL

24 . co §) Vaiheita 20 - 24 toistetaan kunnes lopetuseh- o g 35 to saavutetaan, vaihe 25.

o cvj Lopetusehto voi olla laatukynnysarvo, toisto jen lukumäärä, aikajakso tai vastaava. Esimerkiksi 7 voidaan määrittää, että luodaan 400 näytettä ja näyte, jolla on korkein sopivuus, on paras mahdollinen tulos tai ainakin riittävän hyvä. Lopetusehto riippuu valitusta sovelluksesta.

5 Kuvio 4 esittää esimerkkiä avaruuden luomisen jakamisesta keksinnöllä kun sopivuusfunktio on nolla muualla paitsi kolmion reunoilla.

Yksinkertaisessa sovelluksessa seuraavan kuvan tunnistamiseksi aloitetaan nollasta. Kehittyneem-10 mässä sovelluksessa aikaisempaa informaatiota käytetään hyödyksi seuraavissa tunnistuksissa. Esimerkiksi jos keksintö seuraa liikkuvaa kohdetta, kohde on lähellä sijaintia missä se oli edellisessä kuvassa.

Yllä mainittu kd-puu on puumainen rakenne, 15 jossa jokaisella solmulla on kaksi lehteä. Jokaisella puun solmu j tallentaa seuraavan informaatio tai muun informaation, josta seuraava informaatio voidaan johtaa : 1. Vektorit aj ja bj esittäen k-ulotteisen hy- 20 perkuution vastakkaisien kulmien sijaintia.

a(n) < k<n> kaikille n arvoille 2. näytevektori Xj, ja sen sopivuus f(Xj) 25 Keksinnön eräs sovellus voi sisältää seuraa van pseudokoodin toteuttamisen suoritettuna jokaiselle videokuvan ruudulle (kaapatulle kuvalle): δ ^ I. Alustetaan kd-puu t+ luomalla juuri solmu r, jolle g 30 ar(n) on yhtä kuin pienin sallittu arvo x(n):lle ja br(n) ' on yhtä kuin suurin sallittu arvo x(n):lle. Satunnaiset tetaan xr(n) tasaisesti siten, että ar(n)^xr(n)<br(n) x cc

CL

II. Toistetaan kunnes hyväksyttävä ratkaisu on löytyen 35 nyt { o

CD

o o 1. Valitaan satunnaisesti kd-puun t_ solmu i valinta- todennäköisyyksien diskreetistä todennäköisyysjakaumasta pi=f(Xi)Vi9, missä Vi on tilavuus hyperkuu 8 tiolle, jolla on kulmat ai ja bi, g on käyttäjän määrittämä ahneusparametri, ja alaindeksi i osoittaa solmun indeksin puussa t_ 5 2. Luodaan näyte x siten, että jokainen elementti x(n) näytteistetään näytteistysjakaumasta keskiarvolla, joka on sama kuin valitun kd-puun solmun sisällä olevalla samplella, eli E [x(n) ] =Xi<n> . Näytteistys ja-kauman normaalijakauma on verrannollinen hyperkuu-10 tion leveyteen jokaisessa ulottuvuudessa, eli, std [x(n) ] =a(bi(n) - ai(n)), missä σ on käyttäjän määrittämä suhteellinen poikkeama. Erimerkiksi, σ=1.

3. Arvioidaan sopivuusfunktio f(x), joka on sovellus- 15 kohtainen 4. Löydä solmu j kd-puussa t+ jolle aj (n)<x(n)<bj(n) kai killa n arvoilla 20 5. Lisää kaksi lehtisolmua k ja 1 solmuun j. Aseta ak(n)=aj(n), 0,(η)=^(η), a1(n)=aj(n), b1(n,=bj(n) kaikille n arvoille, paitsi jaettavalle ulottuvuudelle s joka maksimoi | Xj(s)-x(s) | . Aseta bk(s)=ai(s) = 0.5 (Xj (s)+x(s)) . Jos ak(s)^Xj (s)<bk(s), aseta xk=Xj and Xi=x, muutoin 2 5 aseta Xi=Xj and xk=x.

}

Yllä oleva pseudokoodi mainitsee kaksi kd-puuta, t_ ja t+. Nämä voivat olla yksi ja sama puu, mutta jos etsittäviin ratkaisuihini oletetaan väliai-30 kaista koherenssia, voidaan käyttää kahta eri puuta siten että, t. on edellisen videokuvan t+. Väliaikainen koherenssi voidaan olettaa olevan esimerkiksi seurattaessa todellisen maailman kohteita, jotka liikkuvat äärellisellä nopeudella ja kiihtyvyydellä.

^ 35 Kd-puun valinta ja sitä seuraava näytteen οό luominen voidaan nähdä näytteen piirtämisenä f(x):n o ^ approksimaatiosta. Uuden näytteen ja siihen liittyvän o sopivuuden tallentaminen puuhun lisää approksimaation £ tarkkuutta. Ensinnäkin, näytteet ovat yhtenäisiä, mut- 40 ta alkavat myös seuraamaan f(x):n määrittämää todennä- o köisyystiheyttä.

CD

§ Kehittyneemmässä keksinnön toteutuksessa C\l pseudokoodin vaihetta II.1 voidaan muuttaa siten, että 9 näytteistysjakauma lasketaan seuraavasti: E [x(n) ] =Xi(n)+c(n) (Xi<n) - Xi_(n)), missä Xi_ on Xi edellisestä videokuvasta, jota käytettiin luomaan nykyisen videokuvan x;. c on vektori, joka määrittää oletetun nopeus-5 mallin. Jos c^=0, näytteistetyn parameterin n oletetaan olevan vakio. Jos c(n)=l, näytteistetyn parametrin n oletetaan vaihtuvan vakionopeudella.

Pseudokoodissa mainittu näytteistysjakauma voi olla mikä tahansa jakauma, esimerkiksi normaalija-10 kauma x(n) ~ N(xi(n), o2(bi(n> - ai(n))2). Normaalijakauma toimii hyvin, koska näytteistysjakauman haluttu ominaisuus on se, että suurin osa näytteistä luodaan keskiarvon läheisyyteen, mutta on olemassa äärellinen todennäköisyys luoda näytteitä mihin tahansa etsintäava-15 ruuden osaan. Tämä takaa keksinnön tärkeän ominaisuuden, valitut ja jaetut etsintäavaruuden osat eivät ole aina samat. Jos näytteitä luodaan ainoastaan valitun hyperkuution sisään vaiheessa II.1, kt-puun solmua (hyperkuutio), jossa on näyte nolla sopivuudella, ei 20 jaettaisi ikinä, joka lisää riskiä sille, että oikeaa ratkaisua ei löydetä.

Eräässä keksinnön sovelluksessa pseudokoodin vaihetta II.1 voidaan muokata siten, että valitaa solmu, jolla on suurin pt. Tämä voi nopeuttaa konvergens-25 siä joissakin tapauksissa.

Jakamisulottuvuus s voidaan valita myös pseudokoodista poikkeavalla tavalla, esimerkiksi satunnai- H sesti.

o , On huomattava, että pseudokoodin käytännön co <9 30 toteutuksissa todennäköisyydet p; vaiheessa II.1 tulisi o normalisoida, jotta niiden summa olisi yhtä kuin 1.

c On ilmeistä, että alan ammattimies yhdessä Q_ teknologian kehittymisen kanssa voi toteuttaa esillä o) olevan keksinnön perusidean useilla eri tavoilla, o § 35 Esillä oleva keksintö ja sen sovellukset eivät ole si- o (M ten rajoittuneet yllä kuvattuihin esimerkkeihin, vaan ne voivat muuttua vaatimusten piirin puitteissa.

Claims

1. Menetelmä mallin, yhdessä joukon parametreja kanssa, esittämän kohteen seuraamiseksi, missä mahdolliset parametrikombinaatiot muodostavat etsintä- 5 avaruuden, joka menetelmä käsittää: määritetään seurattavan kohteen malli; otetaan kuva; tunnettu siitä, että menetelmä edelleen käsittää vaiheet: 10 valitaan etsintäavaruuden osa; muodostetaan todennäköisyysjakauma perustuen valittuun etsintäavaruuden osaan; luodaan näyte mainitusta muodostetusta todennäköisyys j akaumasta; 15 lasketaan luodun näytteen sopivuusfunktio; valitaan etsintäalueen osa, jossa on näyte; jaetaan näytteen sisältävä toinen etsintäalueen osa; toistetaan yllä mainittuja vaiheita kunnes lope-20 tusehto on täytetty.

2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että lopetusehto on laatuparamet-ri, toistojen määrä tai aikajakso.

3. Patenttivaatimuksen 1 tai 2 mukainen mene-25 telmä, tunnettu siitä, että valitaan toinen osa perustuen edellisen osan ulkopuolelle jatkuvaan nor-maali j akaumaan perustuen.

4. Jonkin aikaisemman patenttivaatimuksen 1 - οό 3 mukainen menetelmä, tunnettu siitä, että tal- o ^ 30 lennetään laskettu data puurakenteeseen.

° 5. Patenttivaatimuksen 4 mukainen menetelmä, x £ tunnettu siitä, että rakennetaan uusi puu jokai- co selle otetulle kuvalle perustuen edellisen kuvan puu- o hun. CO § 35

6. Patenttivaatimuksen 4 tai 5 mukainen mene- CM telmä, tunnettu siitä, että puurakenne on kd-puu.

7. Patenttivaatimuksen 5 tai 6 mukainen menetelmä, tunnettu siitä, että valitaan ensimmäinen osa puusta, joka on rakennettu edelliselle kuvalle ja toinen osa puusta, jota rakennetaan senhetkiselle ku- 5 valle.

8. Jonkin aikaisemman patenttivaatimuksen 1 - 7 mukainen menetelmä, tunnettu siitä, että muodostettu todennäköisyysjakauma on normaalijakauma, jolla on edellisten luotujen näytteiden mukainen odo- 10 tusarvo ja keskihajonta.

9. Jonkin aikaisemman patenttivaatimuksen 6 - 8 mukainen menetelmä, tunnettu siitä, että valitut osat ovat kd-puun solmuja vastaavia hyperkuutioita . 15

10. Järjestelmä kohteen seuraamiseksi, joka järjestelmä käsittää: seurattavan kohteen(10); kameran (11); laskentayksikön (12), jossa järjestelmä on järjes- 20 tetty määrittämään seurattavan kohteen malli ja ottamaan kuva; tunnettu siitä, että järjestelmä edelleen järjestetty: valitsemaan etsintäavaruuden osa; 25 muodostamaan todennäköisyysjakauma perustuen va littuun etsintäavaruuden osaan; luomaan näyte mainitusta muodostetusta todennä-^ köisyysjakaumasta; ^ laskemaan luodun näytteen sopivuusfunktio; co cp 30 valitsemaan etsintäalueen osa, jossa on näyte; o jakamaan näytteen sisältävä toinen etsintäalueen £ osa; CL toistamaan yllä mainittuja vaiheita kunnes lope- O) tusehto on täytetty, o g 35

11. Patenttivaatimuksen 10 mukainen järjes- ^ telmä, tunnettu siitä, että lopetusehto on laatu- parametri, toistojen määrä tai aikajakso.

12. Patenttivaatimuksen 10 tai 11 mukainen järjestelmä, tunnettu siitä, että järjestelmä on järjestetty valitsemaan toinen osa perustuen edellisen osan ulkopuolelle jatkuvaan normaalijakaumaan perustu- 5 en.

13. Jonkin aikaisemman patenttivaatimuksen 10 - 12 mukainen järjestelmä, tunnettu siitä, että järjestelmä on järjestetty tallentamaan laskettu data puurakenteeseen.

14. Patenttivaatimuksen 13 mukainen järjes telmä, tunnettu siitä, että järjestelmä on järjestetty rakentamaan uusi puu jokaiselle otetulle kuvalle perustuen edellisen kuvan puuhun.

15. Patenttivaatimuksen 13 tai 14 mukainen 15 järjestelmä, tunnettu siitä, että puurakenne on kd-puu.

16. Patenttivaatimuksen 14 tai 15 mukainen järjestelmä, tunnettu siitä, että järjestelmä on järjestetty valitsemaan ensimmäinen osa puusta, joka 20 on rakennettu edelliselle kuvalle ja toinen osa puusta, jota rakennetaan senhetkiselle kuvalle.

17. Jonkin aikaisemman patenttivaatimuksen 10 - 16 mukainen järjestelmä, tunnettu siitä, että muodostettu todennäköisyysjakauma on normaalijakauma, 25 jolla on edellisten luotujen näytteiden mukainen odotusarvo ja keskihajonta.

18. Jonkin aikaisemman patenttivaatimuksen 15 £ - 17 mukainen järjestelmä, tunnettu siitä, että c\i , valitut osat ovat kd-puun solmuja vastaavia hyperkuu- ? 30 tioita. O)

19. Tietokoneella luettavalle medialle talle lennettu tietokoneohjelma, joka käsittää ohjelmakoodi- Q_ ^ välineet, jotka on sovitettu suorittamaan seuraavat σ> vaiheet, kun se suoritetaan tietojenkäsittelylaitteis- o § 35 tossa: o ^ määritetään seurattavan kohteen malli; otetaan kuva; tunnettu siitä, että menetelmä edelleen käsittää vaiheet: valitaan etsintäavaruuden osa; muodostetaan todennäköisyysjakauma perustuen va-5 littuun etsintäavaruuden osaan; luodaan näyte mainitusta muodostetusta todennäköisyys jakaumasta; lasketaan luodun näytteen sopivuusfunktio; valitaan etsintäalueen osa, jossa on näyte; 10 jaetaan näytteen sisältävä toinen etsintäalueen osa; toistetaan yllä mainittuja vaiheita kunnes lopetusehto on täytetty.

20. Patenttivaatimuksen 19 mukainen tietoko- 15 neohjelma, tunnettu siitä, että lopetusehto on laatuparametri, toistojen määrä tai aikajakso.

21. Patenttivaatimuksen 19 tai 20 mukainen tietokoneohjelma, tunnettu siitä, että ohjelma- koodivälineet on edelleen sovitettu valitsemaan toinen 20 osa perustuen edellisen osan ulkopuolelle jatkuvaan normaalijakaumaan perustuen.

22. Jonkin aikaisemman patenttivaatimuksen 19 - 21 mukainen tietokoneohjelma, tunnettu siitä, että tallennetaan laskettu data puurakenteeseen.

23. Patenttivaatimuksen 22 mukainen tietoko neohjelma, tunnettu siitä, että ohjelmakoodiväli-neet on edelleen sovitettu rakentamaan uusi puu jokai-^ selle otetulle kuvalle perustuen edellisen kuvan puu- ^ hun. co

24. Patenttivaatimuksen 22 tai 23 mukainen o tietokoneohjelma, tunnettu siitä, että puurakenne g on kd-puu. CL

25. Jonkin aikaisemman patenttivaatimuksen 22 O) - 24 mukainen tietokoneohjelma, tunnettu siitä, o g 35 että ohjelmakoodivälineet on edelleen sovitettu valitse- w maan ensimmäinen osa puusta, joka on rakennettu edel- liselle kuvalle ja toinen osa puusta, jota rakennetaan senhetkiselle kuvalle.

26. Jonkin aikaisemman patenttivaatimuksen 19 - 25 mukainen tietokoneohjelma, tunnettu siitä, 5 että muodostettu todennäköisyysjakauma on normaalijakauma, jolla on edellisten luotujen näytteiden mukainen odotusarvo ja keskihajonta.

27. Jonkin aikaisemman patenttivaatimuksen 24 - 26 mukainen tietokoneohjelma, tunnettu siitä, 10 että valitut osat ovat kd-puun solmuja vastaavia hyperkuutioita . δ CM CO O 05 O X cc CL CD CM 05 O CD O O CM