[论文解读] DBN-Based Combinatorial Resampling for Articulated Object Tracking

Séverine Dubuisson, Christophe Gonzales+1 more|arXiv (Cornell University)|Oct 16, 2012

Video Surveillance and Tracking Methods参考文献 15被引用 7

一句话总结

该论文提出了一种基于深度置信网络（DBN）的新型组合重采样方法，用于刚性物体跟踪中的粒子滤波器，通过利用刚性物体的结构约束，隐式生成一个大规模且具有代表性的样本空间。通过利用物体运动学的动态贝叶斯网络建模，该方法在合成与真实视频序列上均提升了粒子滤波器的跟踪精度与速度，优于经典重采样方法。

ABSTRACT

Particle Filter is an effective solution to track objects in video sequences in complex situations. Its key idea is to estimate the density over the possible states of the object using a weighted sample whose elements are called particles. One of its crucial step is a resampling step in which particles are resampled to avoid some degeneracy problem. In this paper, we introduce a new resampling method called Combinatorial Resampling that exploits some features of articulated objects to resample over an implicitly created sample of an exponential size better representing the density to estimate. We prove that it is sound and, through experimentations both on challenging synthetic and real video sequences, we show that it outperforms all classical resampling methods both in terms of the quality of its results and in terms of response times.

研究动机与目标

• 解决用于跟踪刚性物体的粒子滤波器中的退化问题。
• 通过利用刚性物体的结构约束，提升重采样效率与精度。
• 在保持或提升复杂视频序列中跟踪精度的同时，降低计算开销。
• 开发一种隐式探索大规模结构化样本空间的重采样策略，而无需显式枚举。

提出的方法

• 该方法提出组合重采样，利用动态贝叶斯网络（DBN）对刚性物体的运动学结构进行建模。
• 它生成可能的关节构型的组合样本空间，隐式表示物体的完整状态空间。
• 基于DBN的条件概率分布对粒子进行重采样，优先选择在结构和动力学上合理的构型。
• 通过结构化地探索状态空间，重采样过程避免了退化现象。
• 该方法可无缝集成到标准粒子滤波器框架中，将标准重采样步骤替换为新的组合方法。

实验结果

研究问题

• RQ1 基于结构化、隐式采样策略是否能改善刚性物体跟踪中粒子滤波器的重采样性能？
• RQ2 与经典重采样方法相比，组合重采样在跟踪精度与计算成本方面表现如何？
• RQ3 使用DBN建模是否能增强复杂运动场景下重采样粒子的多样性与代表性？
• RQ4 所提出的方法在合成与真实世界视频序列中是否均保持鲁棒性？

主要发现

• 所提出的组合重采样方法在合成与真实视频序列上的跟踪精度方面，优于经典重采样技术。
• 与标准重采样方法相比，该方法实现了更快的响应速度，表现出更高的计算效率。
• 该方法通过保持多样且结构合理的粒子集合，有效缓解了粒子退化问题。
• 实验结果表明，该方法在高运动复杂度或遮挡场景下显著提升了跟踪的稳定性和精度。