运动跟踪与行为识别资料.pptVIP

基本假设: 后验概率分布 为高斯分布 动态系统是线性的 系统噪声和测量噪声都是高斯分布的，协方差矩阵分别为 和 。 卡尔曼滤波器(Kalman Filter) with 卡尔曼滤波器—预测 with Kalman Gain （增益）： Kalman Innovation (新息) 卡尔曼滤波器—更新 Extended Kalman Filter (EKF) Unscented Kalman Filter (UKF) 同样基于高斯分布的假设； 状态转移方程和测量方程为非线性函数； 沿用Kalman Filter的框架； 将非线性函数局部线性化。 为处理更为一般的概率密度函数（比如，多峰情况），我们需要适应性更强的方法——粒子滤波器。 卡尔曼滤波器的扩展 粒子滤波器的一系列别名: Condensation Algorithms Sequential sampling-importance re-sampling (SIR) Bootstrap Filtering Interacting particle approximations Survival of the fittest …… 粒子滤波器(Particle Filter) 基于贝叶斯准则的序贯蒙特卡罗算法(Sequential Monte Carlo ) 粒子滤波器(Particle Filter) 通过寻找一组随机样本对任意概率密度函数进行近似 也即：用一组离散样本点来近似连续的概率密度函数 样本点的权重表示概率密度 粒子滤波器(Particle Filter) * Isard M and Blake A. Condensation—conditional density propagation for visual tracking. International Journal of Computer Vision, 1998, 29 (1): 5-28. 通过随机采样近似复杂的、无法解析表达的概率密度函数 不需要计算复杂的积分 适应性广 粒子滤波器(Particle Filter) Kalman Filter vs. Particle Filter 性能比较 实验 —— Bouncing Ball Kalman Filter The estimated position from the Kalman filter (red) is compared against the actual ground truth position (green). Kalman filter Failures： Kalman Filter The predicted position from the particle filter (red) is compared against the actual ground truth position (green). Particle Filter Particle Filter 运动跟踪中的一些难点问题 运动跟踪所面临的主要难点可以归结为对跟踪算法在三个方面的要求，即对算法的鲁棒性、准确性和快速性的要求。 鲁棒性要求跟踪算法能够在各种环境条件下实现对运动目标持续稳定的跟踪。影响视觉跟踪算法鲁棒性的主要原因在于： 被跟踪运动目标的姿态变化； 运动目标所处环境的变化（比如，光照条件等）； 部分遮挡引起的运动目标不规则变形和全部遮挡引起的运动目标的暂时消失。 运动跟踪中的一些难点问题 准确性的要求包括两个方面： 对运动目标检测的准确性； 对运动目标分割的准确性； 快速性的要求在于：在保证所要求的跟踪精度的前提下实现实时地跟踪。 运动跟踪中的一些难点问题 场景中运动目标的数目： 单运动目标 vs. 多运动目标 在多目标跟踪过程中，必须考虑到多个目标在场景中会互相遮挡(Occlusion)，合并(Merge)，分离(Split)等情况。 多目标跟踪中的数据关联问题(Data Association)。 跟踪问题分类 跟踪问题分类 摄像机的数目： 单摄像机 vs. 多摄像机 使用多摄像机有望解决因相互遮挡导致的运动目标 丢失问题，但多摄像机的信息融合是一个关键性问 题。 摄像机是否运动： 摄像机静止 vs. 摄像机运动 摄像机的运动形式，一种是摄像机支架固定，但摄像 机可以偏转(Pan)，俯仰(Tilt)以及缩放(Zoom)；另一 种是摄像机装在某个移动的载体上，如移动的车辆 或飞行的飞机。 摄像机的运动增加了运动目标检测的难度。 场景中运动目标的类型： 刚体 vs. 非刚体 交通车辆