BraMBLe: ein Bayesscher Multiple-Blob-Tracker

Blob-Tracker sind in den letzten Jahren zunehmend leistungsfähiger geworden, was hauptsächlich auf die Einführung statistischer Erscheinungsmodelle zurückzuführen ist, die eine effektive Hintergrundsubtraktion und robustes Tracking deformierender Vordergrundobjekte ermöglichen. Es war jedoch Standard, das Modellieren von Hintergrund und Vordergrund als separate Prozesse zu behandeln - die Hintergrundsubtraktion erfolgt gefolgt von der Blob-Erkennung und -Verfolgung - was eine prinzipielle Berechnung der Bildwahrscheinlichkeiten verhindert. Dieses Papier präsentiert zwei theoretische Fortschritte, die diese Einschränkung adressieren und zu einem robusten Multiple-Personen-Tracking-System führen, das für Echtzeit-Überwachungsanwendungen mit einer Kamera geeignet ist. Die erste Innovation ist eine Mehr-Blob-Wahrscheinlichkeitsfunktion, die direkt vergleichbare Wahrscheinlichkeiten für Hypothesen mit unterschiedlichen Zahlen von Objekten zuweist. Diese Wahrscheinlichkeitsfunktion hat eine strenge mathematische Grundlage: sie ist von der Theorie der Bayesschen Korrelation abgeleitet, verwendet jedoch die Annahme einer statischen Kamera, um ein spezifischeres Hintergrundmodell zu erstellen, während ein einheitlicher Ansatz für das Modellieren von Hintergrund und Vordergrund beibehalten wird. Zweitens führen wir einen Bayesschen Filter zur Verfolgung mehrerer Objekte ein, wenn die Anzahl der vorhandenen Objekte unbekannt ist und sich im Laufe der Zeit ändert. Wir zeigen, wie ein Partikelfilter verwendet werden kann, um eine gemeinsame Schlussfolgerung sowohl über die Anzahl der vorhandenen Objekte als auch deren Konfigurationen zu ziehen. Schließlich demonstrieren wir, dass unser System bei einer geringen Anzahl von Blobs in der Szene komfortabel in Echtzeit auf einer bescheidenen Workstation läuft.