Probabilistische Verfolgung in einem metrischen Raum

Es wird ein neues exemplar-basiertes, probabilistisches Paradigma für die visuelle Verfolgung vorgestellt. Probabilistische Mechanismen sind attraktiv, da sie die Fusion von Informationen, insbesondere zeitliche Fusion, auf fundierte Weise behandeln. Exemplare sind ausgewählte Repräsentanten der Rohtrainingsdaten, die hier verwendet werden, um probabilistische Mischverteilungen von Objektkonfigurationen darzustellen. Ihr Einsatz vermeidet mühsame handwerkliche Konstruktionen von Objektmodellen und Probleme mit Änderungen der Topologie. Die Verwendung von Exemplaren anstelle eines parametrisierten Modells bringt mehrere Herausforderungen mit sich, die hier mit dem, was wir als "Metrische Mischung" (M/sup 2/) Ansatz bezeichnen, angesprochen werden. Das M/sup 2/ Modell hat mehrere wertvolle Eigenschaften. Es bietet vor allem Alternativen zu Standard-Lernalgorithmen, indem es die Verwendung von Metriken ermöglicht, die nicht in einen Vektorraum eingebettet sind. Zweitens verwendet es ein Rauschmodell, das aus Trainingsdaten gelernt wird. Schließlich beseitigt es jeglichen Bedarf an der Annahme einer probabilistischen pixelweisen Unabhängigkeit. Experimente demonstrieren die Wirksamkeit des M/sup 2/ Modells in zwei Bereichen: der Verfolgung von gehenden Personen mithilfe von Chamfer-Abständen auf binären Kantensichtbildern und der Verfolgung von Mundbewegungen mittels eines Shuffle-Abstands.