2、用于鲁棒目标跟踪的自组织计算机视觉

用于鲁棒目标跟踪的自组织计算机视觉

1. 多滤波器融合跟踪概述

在目标跟踪领域，为了实现一个自主的计算机视觉系统，采用了多滤波器融合的方法。该方法构建了一个自主跟踪框架，尤其适用于资源受限的嵌入式计算机视觉场景。

1.1 框架整体结构

框架结合了多种方法，核心是多滤波器融合，即对同一输入帧使用多个图像滤波算法。设设计者提供的所有可用滤波器集合为 (F)，由于资源限制，在时刻 (t) 只能有一部分滤波器处于活跃状态，记为 (F_{active,t} \subseteq F)。这些活跃滤波器可在单处理器上顺序处理输入帧，也可在多处理器系统或现场可编程平台上并行处理。当前研究聚焦于在基于 FPGA 的系统上实现，该系统可动态重新配置硬件模块。

跟踪组件将滤波器的结果进行融合，采用概率方法，其优势在于跟踪过程能时刻考虑自身感知的不确定性，不仅能处理模糊和有噪声的传感器数据，还能从错误中恢复。同时，引入了自适应机制以应对环境的不可预测变化，通过评估图像滤波器的性能，为每个滤波器分配权重，以此决定其对跟踪结果的贡献程度。

1.2 粒子滤波

1.2.1 系统模型与贝叶斯跟踪

系统状态 (x_t) 随时间的演变由系统模型描述：
[x_t = g(x_{t - 1}, N_g)]
在跟踪场景中，状态 (x_t = (p_t, v_t, r_t)^T) 分别表示物体在时刻 (t) 的位置 (p_t)、速度 (v_t) 和大小 (r_t)，(N_g) 是用于建模系统动态的多元高斯随机变量。算法通过图像传感器的测量值 (y_t) 感知物体，由于传感器噪声和图像算法的不精确性，测量存在不确定性。