基于高斯回归的目标跟踪算法研究分析.ppt

近期进展 1 姿态估计目标跟踪算法 2 高斯回归过程 3 举例 4 总结 姿态估计目标跟踪算法 姿态估计目标跟踪算法： generative methods(生成方法) discriminative methods(辨别方法) hybrid methods(区别方法) 目标的3 d姿势可以用来推断检测异常行为。 属于活动轮廓模型的一种，具有形式多样，结构灵活，性能优越的特点。 姿态估计目标跟踪算法 1.generative methods(生成方法) 寻找与所观察到图像特点相匹配姿态的最佳解空间。在这种方法中，要建立一个生成模型库来检测观察到的目标姿态与假设目标姿态是否吻合。 采用粒子滤波来获取上一帧中的目标姿态信息，以及动力学模型中的运动信息，来对下一帧目标的姿态进行估计。 这种方法能够应用在单摄像头中，也能够用在多摄像头同时对同一物体进行拍摄的处理中。 姿态估计目标跟踪算法 2.discriminative methods(辨别方法) 通过监督学习的方法获得图像特征到状态参数的映射，使用训练数据集来形成图像特征与姿态特征的直接映射。 要进行有效的姿态估计，图像特征必须简洁有特色。 几种改善图像特征的方法： 使用度量学习的方法来舍弃与姿态估计不相关的特征 使用降维的方法使特征向量在姿态估计中更加简单 利用多特征融合来提升姿态估计的效果 图像中目标的轨迹线被用来作为特征 可以将空间结构的限制考虑进姿态估计中 姿态估计目标跟踪算法 3.hybrid methods(混合方法) R. Rosales and S. Sclaroff,“Combining generative and discriminative models in a framework for articulated pose estimation,” Int. J. Comput. Vis., vol. 67, no. 3, pp. 251–276, May 2006. 提出一种用辨别的映射函数来构建一个姿态的假设空间，通过生成方法搜索假设空间来估计目标姿态。但是这种方法是基于单一图像的姿态估计，因此无法对视频序列进行目标追踪。并且这种方法是假设通过辨别模型生成的姿态假设空间是全部正确的，因此无法处理辨别模型预测错误的情况。 姿态估计目标跟踪算法 “A Gaussian Process Guided Particle Filter forTracking 3D Human Pose in Video” IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 22, NO. 11, NOVEMBER 2013 提出了一种混合辨别和生成的方法在单摄像机和多摄像机中追踪人体的姿态。使用混合的高斯过程回归模型来生成辨别模型，这一模型是通过对高斯过程回归模型在不同姿态空间的训练来生成。高斯回归过程能够给出3D人体姿态的概率估计，它能够在追踪过程中加入更多准确地预测而排出那些不确定的预测。 这是第一个将辨别模型的预测可靠性与生成模型结合来改善姿态估计的方法。将高斯过程回归中的概率输出结果作为假设空间的组成部分。在追踪过程中，将假设空间与从运动模型中获得的假设空间相结合，之后使用训练过的粒子滤波来寻找最佳姿态。 高斯过程回归 基于贝叶斯理论和统计学习理论 高维数、非线性、回归问题 参数少、易实现、易收敛 高斯过程回归 1.预测 对于回归问题 ， 高斯过程回归 高斯过程回归 2.训练 常用的协方差函数： 建立训练样本条件概率的负对数似然函数： 高斯过程回归 负对数似然函数L（θ）关于超参数θ的偏导数形式为： 其中： 举例 以学生的单科成绩为样本，随机选出20%的学生作为测试集。使用剩下 80% 学生的数据对回归模型进行训练。 训练得到模型后，再用该训练集对这 20% 的测试集学生该门成绩进行预测。因为这 20% 真实成绩已知， 一方面可以得到均方误差 ，从而客观衡量回归效果。 另一方面，还可以进一步直观的比较分析模型的预测效果。 举例 测试集数据的方差小于真实数据偏差，存在比较大的估算误差。 标准线性模型（最小二乘法）