摘要:多目标视觉跟踪的主要困难来自于多个目标交互(部分或完全遮挡) 导致的歧义性. 马尔可夫随机场(Markov random Field, MRF) 可以消除这种歧义性且无需显式的数据关联. 但是, 通用概率推理算法的计算代价很高. 针对上述问题, 本文做出了3 点贡献: 1) 设计了新的具有"分散-集中-分散" 结构的递归贝叶斯跟踪框架: 自助重要性采样粒子滤波器. 它使用融入当前时刻观测的重要性密度函数解决维数灾难问题, 将计算复杂度从指数增长变为线性增长. 2) 提出了新的蒙特卡洛策略: 自助重要性采样, 利用MRF 的因子分解性质进行重要性采样, 并使用自助法产生低成本高质量的样本、降低似然度计算次数和维持多模式分布; 3) 采用了新的边缘化技术, 使用辅助变量采样进行边缘化, 使用自助直方图对边缘后验分布进行密度估计. 实验结果表明, 本文提出的算法能够对大量目标进行实时跟踪, 能够处理目标间复杂的交互, 能够在目标消失后维持多模式分布.
关键词:多目标跟踪, 视觉跟踪, 粒子滤波, 马尔可夫随机场, 自助法, 重要性采样
沈乐君, 游志胜, 李晓峰. 自助重要性采样用于实时多目标视觉跟踪. 自动化学报, 2012, 38(10): 1663-1670
演示程序下载:http://www.shenlejun.cn/download/2011BISP.zip
C++源代码下载:http://www.shenlejun.cn/en