[论文解读] PaFiMoCS: Particle Filtered Modified-CS and Applications in Visual Tracking across Illumination Change

Rituparna Sarkar, Samarjit Das+1 more|arXiv (Cornell University)|Jan 8, 2013

Video Surveillance and Tracking Methods参考文献 31被引用 5

一句话总结

本文提出PaFiMoCS，一种基于粒子滤波的新算法，结合低维运动状态的重要性采样与在缓慢稀疏模式约束下的高维稀疏光照信号后验众数跟踪，用于视觉跟踪。该方法在模拟和真实视频序列中，于显著光照变化条件下跟踪目标时，性能优于现有方法，误差最小且跟踪稳定。

ABSTRACT

We study the problem of tracking (causally estimating) a time sequence of sparse spatial signals with changing sparsity patterns, as well as other unknown states, from a sequence of nonlinear observations corrupted by (possibly) non-Gaussian noise. In many applications, particularly those in visual tracking, the unknown state can be split into a small dimensional part, e.g. global motion, and a spatial signal, e.g. illumination or shape deformation. The spatial signal is often well modeled as being sparse in some domain. For a long sequence, its sparsity pattern can change over time, although the changes are usually slow. To address the above problem, we propose a novel solution approach called Particle Filtered Modified-CS (PaFiMoCS). The key idea of PaFiMoCS is to importance sample for the small dimensional state vector, while replacing importance sampling by slow sparsity pattern change constrained posterior mode tracking for recovering the sparse spatial signal. We show that the problem of tracking moving objects across spatially varying illumination change is an example of the above problem and explain how to design PaFiMoCS for it. Experiments on both simulated data as well as on real videos with significant illumination changes demonstrate the superiority of the proposed algorithm as compared with existing particle filter based tracking algorithms.

研究动机与目标

• 解决在空间光照变化条件下视频序列中运动目标的跟踪挑战，其中光照模式稀疏且随时间缓慢演变。
• 克服标准粒子滤波在高维稀疏信号恢复中的局限性，尤其是在观测模型为非线性和非高斯分布时。
• 为视觉跟踪应用中时变稀疏信号（含变化的稀疏模式）提供可扩展且高效的因果估计解决方案。
• 设计一种混合框架，将低维运动状态（用于粒子滤波）与高维稀疏空间信号（用于约束后验众数跟踪）分离。

提出的方法

• 使用粒子滤波对低维运动状态向量进行重要性采样，实现运动参数的高效序列估计。
• 用缓慢稀疏模式变化约束的后验众数跟踪方法替代高维稀疏空间信号（如光照图像）的标准重要性采样。
• 应用改进的压缩感知（modified-CS）原理，通过利用时间上的一致性及稀疏模式的渐变特性来估计稀疏信号。
• 通过99%能量规则的阈值化支持估计策略，将粒子滤波与支持估计相结合，以识别稀疏表示中的活跃系数。
• 使用大小为d=20的勒让德字典在稀疏域中表示光照信号，从而精确建模空间光照变化。
• 引入重采样步骤以维持粒子多样性并防止退化，同时使用γ和β参数控制粒子滤波中探索与利用之间的平衡。

实验结果

研究问题

• RQ1 混合粒子滤波与稀疏信号恢复框架是否能有效在视频序列中实现显著光照变化下的目标跟踪？
• RQ2 PaFiMoCS在跟踪精度与稳定性方面与现有基于粒子滤波的方法及改进的压缩感知（modified-CS）方法相比表现如何？
• RQ3 对稀疏模式随时间变化施加约束在多大程度上提升了视觉跟踪中稀疏信号恢复的鲁棒性？
• RQ4 对稀疏支持（如固定或全支持）的错误假设对基于粒子滤波的跟踪算法性能有何影响？
• RQ5 在高维、非线性且非高斯观测环境下，该方法是否能以有限数量的粒子（如100个）维持精确跟踪？

主要发现

• PaFiMoCS在所有跟踪序列中均保持稳定且低的归一化均方误差（NMSE），证明其在显著光照变化下具有持续的性能表现。
• PaFiMoCS-slow-support-change也维持了跟踪，但因偶尔出现较大的稀疏模式变化导致误差略高，证实了缓慢变化假设的优势。
• PF-MT-3与PF-MT-20因错误假设而无法跟踪：PF-MT-3假设仅前7个勒让德系数活跃，而PF-MT-20假设支持完全（全向量），两者均违背了光照信号的实际稀疏性。
• Auxiliary-PF与PF-Gordon变体在100个粒子下也未能跟踪，因其在高维状态空间中收敛需要显著更多的粒子。
• PaFiMoCS中γ=0.7与β=0.4的设置，结合α作为99%能量阈值，经经验调优验证为最优性能。
• 在50次蒙特卡洛模拟序列实现中，实验结果表明PaFiMoCS在跟踪精度与鲁棒性方面全面优于所有基线方法。