Stochastic Algorithms for Visual Tracking: Probabilistic Modelling and Stochastic Algorithms for Visual Localisation and Tracking

یک مشکل اصلی در بینایی کامپیوتر، ردیابی اشیا در حین حرکت و تغییر شکل آنها در یک توالی ویدئو است. الگوریتم های تصادفی - به ویژه، فیلترهای ذرات و الگوریتم تراکم - به طور چشمگیری وضعیت هنر را برای چنین مشکلات ردیابی بصری در سال های اخیر افزایش داده اند. این کتاب یک چارچوب یکپارچه برای ردیابی بصری با استفاده از فیلترهای ذرات ارائه می‌کند، از جمله تکنیک جدید نمونه‌برداری پارتیشن‌بندی شده که می‌تواند "نفرین ابعاد" را که توسط فیلترهای ذرات استاندارد متحمل شده است، کاهش دهد. این کتاب همچنین مفهوم احتمال کانتور را معرفی می‌کند: مجموعه‌ای از مدل‌ها برای ارزیابی شکل، رنگ و حرکت جسم، که از ویژگی‌های آماری ویژگی‌های تصویر مشتق شده‌اند. به دلیل ماهیت آماری، احتمالات کانتور برای استفاده در الگوریتم های تصادفی ایده آل هستند. موضوع وحدت‌بخش کتاب، استفاده از آمار و احتمال است که خروجی نهایی الگوریتم‌های ارائه‌شده را قادر می‌سازد تا به عنوان \"باور\" رایانه در مورد وضعیت جهان تفسیر شود. این کتاب برای دانشجویان، محققان و دست اندرکاران بینایی کامپیوتر مفید و مورد علاقه خواهد بود و فقط دانش ابتدایی نظریه احتمال را در نظر می گیرد.

A central problem in computer vision is to track objects as they move and deform in a video sequence. Stochastic algorithms -- in particular, particle filters and the Condensation algorithm -- have dramatically enhanced the state of the art for such visual tracking problems in recent years. This book presents a unified framework for visual tracking using particle filters, including the new technique of partitioned sampling which can alleviate the "curse of dimensionality" suffered by standard particle filters. The book also introduces the notion of contour likelihood: a collection of models for assessing object shape, colour and motion, which are derived from the statistical properties of image features. Because of their statistical nature, contour likelihoods are ideal for use in stochastic algorithms. A unifying theme of the book is the use of statistics and probability, which enable the final output of the algorithms presented to be interpreted as the computer's "belief" about the state of the world. The book will be of use and interest to students, researchers and practitioners in computer vision, and assumes only an elementary knowledge of probability theory.