Mehrkern-Verfolgung mit SSD

Kernel-basierte Ziel Funktionen, die mit dem Mean Shift-Algorithmus optimiert werden, haben sich als effektives Mittel zur Verfolgung in Video-Sequenzen erwiesen. Die resultierenden Algorithmen kombinieren die Robustheits- und Invarianz-Eigenschaften, die durch traditionelle dichtemäßige Measures der Bildähnlichkeit gewährleistet werden, während sie diese Techniken mit kontinuierlichen Optimierungsalgorithmen verbinden. Dieses Papier zeigt eine Verbindung zwischen kernel-basierten Algorithmen und traditionelleren Template-Verfolgungsmethoden. Es gibt eine bekannte Äquivalenz zwischen der kernel-basierten Ziel Funktion und einer SSD-ähnlichen Messung auf kernel-modulierten Histogrammen. Es wird gezeigt, dass unter geeigneten Bedingungen die SSD-ähnliche Messung mit Newton-artigen Iterationen optimiert werden kann. Diese Optimierungsmethode ist effizienter (benötigt weniger Schritte zur Konvergenz) als Mean Shift und macht weniger Annahmen über die Form der zugrunde liegenden Kernel-Struktur. Darüber hinaus lassen sich die Methoden natürlich auf Ziel Funktionen erweitern, die elaboriertere parametrische Bewegungsmodelle basierend auf mehreren räumlich verteilten Kernen optimieren. Wir demonstrieren Mehrkern-Methoden an einer Vielzahl von Beispielen, die von der Verfolgung unstrukturierter Objekte in Bildsequenzen bis hin zur Stereo-Verfolgung strukturierter Objekte reichen, um die vollständige 3D-Raumlage zu berechnen.