К.Л. Тассов, Д.Е. Бекасов
8
кер может реализовывать любые признаки изображений. Однако в
[26] предлагается применение комплексных коэффициентов специ-
ального полосового фильтра для обработки изображений управляе-
мой пирамиды (steerable pyramid). Такая вейвлетная модель обеспе-
чивает стабильность алгоритма при изменении масштаба и простран-
ственного окружения. Недостатки предложенного алгоритма: не учи-
тывает цветность, работает только с медленно перемещающимися
объектами, не справляется с задачей, если в окружении имеются по-
хожие объекты или происходит полное перекрытие.
Другой подход определяет перекрытие пикселов при превыше-
нии ошибки некоторого порога. Такие алгоритмы хорошо работают,
если статистические параметры перекрытий совпадают с ожидаемы-
ми. К сожалению, в большинстве случаев ожидания не выполняются,
так как в реальных ситуациях перекрытия могут быть похожи на са-
му цель или перекрывать ее в течение длительного времени [35].
Tracking a multivalue template.
Данный алгоритм [36] использу-
ет шаблоны для представления цели. Адаптация шаблона к измене-
нию цели проводится путем сглаживания выделенных признаков во
времени с помощью фильтра Калмана для каждого пиксела изобра-
жения. При своей простоте, алгоритм позволяет отслеживать объекты
в реальном времени с частичными перекрытиями, изменениями
освещенности, ориентации, перемещениями камеры и является до-
статочно надежным. Он ставит ограничение на изменение состояния
цели и допускает только аффинные преобразования.
В этом методе шаблон представляется вектором признаков для
каждой точки. В [36] в качестве признаков предлагается использо-
вать цвет в RGB, нормализованном RGB или в более подходящих к
конкретной задаче пространствах. Все векторы обрабатываются
независимо друг от друга, вероятность для каждого вектора считает-
ся в соответствии с байсовским предположением по всей совокупно-
сти измерений. Тогда с помощью гауссова шума для заданного мате-
матического ожидания можно получить предсказание для вектора
признаков в следующий момент времени. Однако при возникновении
перекрытий данное предсказание становится неверным. Для умень-
шения влияния перекрытий в выражении для распределения Гаусса
корень заменяется нормой ошибки измерений, которая определяется
как расстояние Махаланобиса (Mahalanobis) между шаблоном и вы-
деленной в данный момент целью.
Помимо этого в функцию распределения входит робастная функ-
ция Хубера (Huber) для обработки ошибки измерений. Ее смысл за-
ключается в том, что если ошибка превышает заданный порог, то
очередное измерение (текущее состояние цели) не подчиняется рас-
пределению Гаусса, и тогда в формуле распределения используется
