Particle Filter-Based Visual Tracking by Fusing Multiple Cues with Context-Sensitive Reliabilities Suivi d’objet dans des séquences d’images par filtrage particulaire et fusion d’informations, prenant en compte leur fiabilité

Many researchers argue that fusing multiple cues increases the reliability and robustness of visual tracking. However, how the multi-cue integration is realized during tracking is still an open issue. In this work, we present a novel data fusion approach for multi-cue tracking using particle filter as the underlying framework. Our method differs from previous approaches in the following ways. First, we carry out the integration of cues both in making predictions about the object to be tracked and in verifying them through observations. Our second and more significant contribution is that both stages of integration directly depend on the dynamically-changing reliabilities of the visual cues. These two aspects of our method allow the tracker to easily adapt itself to the changes in the context, and accordingly improve the tracking accuracy by resolving the ambiguities. Résumé Il est couramment admis que la fusion d’informations visuelles permet d’améliorer la fiabilité et la robustesse du suivi d’objets. Cependant la manière dont est faite cette fusion pendant le suivi reste une question ouverte. Dans ce rapport, nous proposons une nouvelle méthode de fusion pour le suivi par filtrage particulaire. Les principales originalités de notre approche par rapport aux méthodes existantes sont les suivantes : la fusion est intégrée à la fois dans l’étape de prédiction et dans la mise à jour en fonction des observations, et ces deux étapes de fusion prennent en compte la fiabilité de chaque information utilisée et son évolution au cours du temps en fonction du contexte. Ces caractéristiques de la méthode proposée permettent un suivi adaptatif en fonction du contexte, qui conduit à de meilleurs résultats que les approches classiques, comme le montrent les expériences menées sur plusieurs séquences d’images.