35、视觉跟踪与数据配准技术详解

视觉跟踪与数据配准技术详解

1. 视觉跟踪方法概述

在视觉跟踪领域，处理困难情况的文献丰富多样，其中很多强调使用强大而复杂的概率机制。然而，有时人们会忽略，谨慎运用检测器、模型和外观推理能够简化难题。通常，密切关注视觉表示是解决跟踪问题的有效途径。

1.1 卡尔曼滤波器

卡尔曼滤波器是一种极其实用的技巧，它在不同领域不断被重新发现并以不同形式呈现。许多非线性动态系统可以近似表示为线性动态系统，从而适用卡尔曼滤波器。

在拟合线性动态模型时，如果已知模型的阶数、合适的状态空间和合理的测量模型，问题相对简单；否则，情况会变得棘手，这涉及到控制理论中的系统辨识领域。

1.2 粒子滤波器

当简单技巧和卡尔曼滤波器都无法解决问题时，粒子滤波器可能会有所帮助，但它的效果很大程度上取决于具体问题。粒子滤波器在不同文献中有多种形式，在统计学领域被称为粒子滤波器，在人工智能领域有时被称为“适者生存”，在视觉领域有时被称为“凝聚”。

粒子滤波器在视觉领域有大量研究工作，许多研究试图避开粒子滤波部分中提到的似然函数难题。但目前所有粒子滤波器的应用都是自上而下的，即先更新状态估计，再计算图像与渲染之间的比较，将其视为似然。这种策略虽能有效绕过数据关联问题，但也意味着需要搜索复杂的似然函数。

粒子滤波器与搜索有很强的类比性，这有助于理解其工作原理和适用场景。例如，具有多个峰值的高维似然函数会给粒子滤波器带来严重问题，因为不能保证每一步推进的粒子都能找到有用的峰值，这可能是一个重大的策略性错误。

粒子滤波器是一种通用的推理机制，但这也意味着让它有效工作可能非常困难，因为存在本质上难以解决的推理问题。