15、迈向鲁棒的在线视觉跟踪与异常事件检测

迈向鲁棒的在线视觉跟踪与异常事件检测

在线视觉跟踪

在视觉跟踪领域，当物体进出相机视野时，对其进行检测和识别是一个重要的任务。一种直接的方法是设置检测器置信度的阈值，但为了让机器模仿人类水平的视觉认知，还需要研究更复杂的算法。

对于关节物体的跟踪，这在运动分析中具有广泛的影响和重要意义。当能够使用在线算法稳健地跟踪单个物体后，接下来的问题就是如何将这些方法扩展到关节物体的跟踪上。

在应用贝叶斯跟踪方法跟踪3D人体姿态时，主要困难在于状态向量的高维度，通常根据参数化方式不同，维度在20 - 60之间。不过，姿态参数通常可以假设位于嵌入在高维空间中的低维流形上。为了实现高效有效的贝叶斯跟踪，我们提出近似低维流形，以降低状态向量的维度。

具体做法是，从运动捕捉数据中学习一种名为全局协调因子分析器混合模型（GCMFA）的统计模型。这个模型为低维流形提供了全局参数化。混合模型中的每个因子分析器是一个“局部线性降维器”，用于近似流形的一部分。通过在全局坐标系中对齐这些局部线性部分，就可以得到流形的全局参数化。该模型的参数从运动捕捉序列中学习得到。

GCMFA在降维过程中能有效保留重要信息，利用运动捕捉序列作为训练数据，它可以捕捉关键的运动学信息。局部线性因子分析器的全局协调确保了姿态在潜在空间中有全局一致的参数化，同时也保留了流形的连续性，因为相似的姿态会被映射到流形上彼此接近的坐标。高维姿态数据的密度通过低维空间中的分段线性高斯因子分析器进行近似。通过促使因子分析器的内部坐标一致，可以得到一个单一、连贯的低维坐标系用于降维。线性因子的混合和协调提供了低维（潜在）空间和姿态空间之间的非线性双向映射。由于非线性映射函数被分解为线性因子，学习算法高效且能轻