基于概率外观模型和Condensation的视频遮挡目标跟踪方法

该篇论文深入探讨了视频中目标跟踪在遮挡情况下的有效处理方法。研究者提出了一个结合概率外观模型和Condensation框架的跟踪策略。在视频序列中，当目标处于非遮挡状态，算法会通过分析目标前景的Minimum Bounding Box (MBB)重叠关系来建立和更新目标的概率外观模型。这种模型能够捕捉目标的特征分布，以便在后续帧中识别和跟踪。 当遮挡发生时，论文的关键创新在于利用目标共面条件来判断目标的位置关系，即判断目标是在遮挡物前面还是后面。这有助于恢复遮挡期间丢失的信息，并在遮挡解除时准确地合并目标模型。系统观测似然度概率的计算在此过程中起着关键作用，它帮助评估每个候选目标与实际观察数据的匹配程度。 整个算法设计在Condensation框架内进行，这是一种迭代的粒子滤波方法，特别适合于处理高维、不确定性大的问题。这种方法能有效地处理遮挡对跟踪性能的影响，确保即使在复杂的环境条件下，也能维持目标的连续跟踪。 论文还提到了实验验证部分，通过对实际视频数据的测试，证明了此方法在遮挡情况下的跟踪效果显著优于传统方法，具有较高的鲁棒性和准确性。作者团队由梁华博士和刘云辉教授组成，他们的研究领域分别包括计算机视觉、视频监控和机器人技术，这为研究提供了坚实的理论基础和实践经验。 总结来说，这篇论文为视频目标跟踪领域的遮挡问题提供了一个有效的解决方案，展示了概率外观模型和Condensation技术在复杂场景中的应用潜力，对于提高视频监控系统的性能具有重要意义。