计算机视觉硕士生课程,研究生课程计算机视觉第7次课.pptx

运动跟踪与行为识别; 运动跟踪 行为识别;什么是跟踪(Tracking)？ ;一个跟踪的例子; 运动目标的表示方法 具体介绍常用的跟踪方法 多目标跟踪的数据关联问题 多摄像机跟踪;运动目标的表示方法;基于点的跟踪;基于点的跟踪;基于区域的跟踪;基于轮廓的跟踪;基于轮廓的跟踪;基于模型的跟踪;运动目标的表示方法;采用上述的哪种方法来表示运动目标和不同的应用场合、运动目标的运动特性、以及对跟踪算法的精度要求等密切相关。; 运动目标的表示方法 具体介绍常用的跟踪方法 多目标跟踪的数??关联问题 多摄像机跟踪;跟踪问题的两种解决思路*;跟踪问题的两种解决思路*;自底向上(Bottom-up)的处理方法; 在前一帧目标位置附近的一个小区域内搜索FIEGUTH, P. AND TERZOPOULOS, D. 1997. Color-based tracking of heads and other mobile objects at video frame rates. In IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 21–27.

使用模板匹配的快速算法 SCHWEITZER, H., BELL, J. W., AND WU, F. 2002. Very fast template matching. In European Conference on Computer Vision (ECCV). 358–372. ;;自底向上(Bottom-up)的处理方法;自底向上(Bottom-up)的处理方法;自顶向下(Top-down)的处理方法;状态空间模型(State Space Model);状态空间模型(State Space Model); 观测方程;贝叶斯递归滤波器(Recursive Filters); 步骤: 预测－测量－更新 (Predict-Measurement-Update) 预测: 更新：;预测—测量—更新; 预测: (using Chapman-Kolmogoroff equation)

更新:(using Bayes Rule)

;上述推导给出了理论上解的形式，实际中往往无法得到解析表达在特定假设下可以获得最优解 —— 基于线性、高斯假设 卡尔曼滤波器对任意概率密度函数 —— 概率密度函数多峰情况 粒子滤波器;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 。;with;; Extended Kalman Filter (EKF) Unscented Kalman Filter (UKF); 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 ……;基于贝叶斯准则的序贯蒙特卡罗算法(Sequential Monte Carlo ); 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;* 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;Kalman Filter vs. Particle Filter 性能比较;Kalman Filter;Kalman filter Failures：;The predicted position from the particle filter (red) is compared against the actual ground truth position (green). ;Particle Filter;运动跟踪中的一些难点问题;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