Résumé
Le filtrage par méthode de Monte-Carlo séquentielle (MCS) est l’une des méthodes les plus populaires pour;
effectuer du suivi visuel. Dans ce contexte, une hypothèse importante faite généralement stipule que, étant;
donnée la position d’un objet dans des images successives, les observations extraites de ces dernières sont;
indépendantes. Dans cet article, nous soutenons que, au contraire, ces observation sont fortement corrélées et;
que la prise en compte de cette corrélation permet d’améliorer le suivi. Par ailleurs, un choix relativement;
fréquent consiste à utiliser le modèle dynamique a priori comme fonction de proposition. Par conséquent la;
génération des échantillons à l’instant courant se fait en aveugle, c’est-à-dire sans exploiter d’information liée à;
l’image courante. Il en résulte que la variance du bruit dans le modèle dynamique doit être fixée à une valeur;
importante afin de pouvoir appréhender de rapides changements de trajectoire. De ce fait de nombreuses;
particules sont générées inutilement dans des régions de faible vraisemblance, ce qui réduit l’efficacité de;
l’échantillonnage, ou sont propagées sur des ambiguïtés voisines de la vraie trajectoire, ce qui, ultérieurement,;
peut conduire à des erreurs de suivi. Dans cet article, nous proposons d’utiliser le mouvement visuel afin de;
remédier aux deux problèmes soulevés. Des mesures de mouvement explicites sont utilisées pour diriger;
l’échantillonnage vers les nouvelles régions intéressantes de l’image, tandis que des mesures implicites et;
explicites sont introduites dans la distribution de vraisemblance afin de modéliser la corrélation entre données;
temporelles. Le nouveau modèle permet d’appréhender des mouvements brusques et de lever des ambiguïtés;
visuelles tout en gardant des modèles d’objet simples basés sur des contours ou des distribution de couleurs,;
comme le montrent les résultats obtenus sur plusieurs séquences et comparés à la méthode classique de;
CONDENSATION.
