Bayes Filters with Improved Measurements for Visual Object Tracking

Abstract

Das Verfolgen (Tracking) visueller Objekte erfolgt durch Kameras und hat vielfältige Einsatzmöglichkeiten. Jedoch stellen Hintergrundrauschen, Verdeckungen, sich ändernde Beleuchtungen und schnelle Objektbewegungen große Herausforderung dar. Das Ziel dieser Dissertation ist, den Messprozess in Bayes-basierten Filtern für das Tracken visueller Objekte in folgender Art und Weise zu verbessern: Erstens: Wir kombinieren mehrere visuelle Hinweise (visual cues), um Messungen für das Tracking von Straßen zu verbessern. Die Straße wird mittels eines linear-parabolischen Modells beschrieben, welches einen Kompromiss zwischen Akkuratheit der Beschreibung und Robustheit des Modells mit Hinblick auf Bildartefakte darstellt. Im Gegensatz zu vorherigen Methoden für linear-parabolisches StraßenTracking benutzen wir nicht nur Farb- und Kanteninformationen, sondern auch Gradienteninformation als visuelle Hinweise. Sind diese lokalen visuellen Hinweise vorhanden, wird das StraßenTracking zu einem statistischen Referenzproblem. Die Wahrscheinlichkeitsverteilungen der Straßenparameter werden aus den visuellen Hinweisen durch Multiple Kernel Density Estimation, welches erwiesenermaßen sehr robust gegenüber Bildrauschen ist, geschätzt. Des weiteren benutzen wir diese Wahrscheinlichkeitsverteilungsfunktion als Messmodell für den Partitioned Particle Filter, um die Straßenparameter zu aktualisieren. Die Experimente zeigen, daß unsere neue Methode für das StraßenTracking seine Stärke in der neuen Kombination und Verbesserung verschiedener, fortgeschrittener Methoden hat.Zweitens: Wir benutzen farbinvariante Histogramme, um den Messprozess für das Tracking starrer Objekte zu verbessern. Aufgrund ihrer Einfachheit, Effektivität und Effizienz sind Farbhistogramme als Deskriptoren für das Tracking von Objekte sehr beliebt und wichtig geworden. Jedoch sind sie bei Änderung der Umgebungsbeleuchtung problembehaftet. In diesem Artikel untersuchen wir dieses Problem indem wir a) die Invarianzeigenschaften und die Unterscheidungskraft von Farbhistogrammen betrachten; b) Farbhistogramme auf großen Test-Datenmengen testen; c) den Effekt von Kernelmasken, welche dem Farbhistogramm räumliche Informationen hinzufügen, untersuchen; und d) drei aktuelle Objekttracker-Algorithmen für die Evaluierung betrachten: Die Integralhistogramm-basierte erschöpfende Suche, den Kernel basierten Mean-Shift Algorithmus und den Partikel Filter. Die Resultate zeigen, dass Farbhistogramme mit Invarianzeigenschaften die Performanz von Objekttrackern verbessern können. Ist kein anderes Wissen über die Umgebung des Datensatzes verfügbar, so werden HSV, Spherical und nRGB Histogramme empfohlen.Drittens: Wir benutzen multiple Sensoren um die Messung für das Tracking bewegter Objekte zu verbessern. Trackersystem können akkurater, kompletter und robuster sein, wenn Informationen verschiedener Sensoren vereint werden. Daher entwickeln wir einen neuen Filter, den central difference information filter (CDIF), für nichtlineare Schätzung und Sensorfusion. Dieser hat weniger vordefinierte Parameter im Vergleich zum unscented information filter (UIF), welcher aus der Literatur bekannt ist. Zusätzlich führen wir die Quadratwurzel-Erweiterung des CDIFs und UIFs ein, um die numerische Stabilität zu verbessern.Zusammenfassend haben wir drei Methoden für die Verbesserung des Messprozesses für robustes ObjektTracking vorgestellt, nämlich die Kombination mehrerer visueller Hinweise, farbinvariante Histogramme und multiple Sensorfusion. Wir glauben, daß die neuen Ideen und theoretischen Erkenntnisse, die in dieser Dissertation präsentiert werden, neue Wege für die Erforschung für zukünftige Algorithmen und Anwendungen eröffnen werden.