CONF odobez-gretsi-03/IDIAP Modelisation implicite du mouvement en suivi par filtrage de Monte Carlo sequentiel Odobez, Jean-Marc Ba, Silèye O. EXTERNAL https://publications.idiap.ch/attachments/reports/2003/odobez_2003_gretsi.pdf PUBLIC https://publications.idiap.ch/index.php/publications/showcite/odobez-rr-03-15 Related documents GRETSI conference, Signal and Image Processing, 2003 Paris, France Le filtrage par méthode de Monte-Carlo séquentiel (MCS) est l'une des méthodes les plus populaires pour effectuer du suivi visuel. Dans ce contexte, il est généralement fait l'hypothèse que, étant donnée la position d'un objet dans des images successives, les observations extraites des images de cet objet sont indépendantes. Dans cet article, nous soutenons que, au contraire, ces observation sont fortement corrélées. Pour prendre en compte cette correlation, nous proposons un nouveau modèle qui peut s'interpréter comme l'ajout d'un terme de vraisemblance modélisant implicitement des mesures de mouvement. Le nouveau modèle permet de lever des ambiguïtés visuelles tout en gardant des modèles d'objet simples, comme le montrent les résultats obtenus sur plusieurs séquences et modèles d'objets différents (contour ou distribution de couleurs). REPORT odobez-rr-03-15/IDIAP An Implicit Motion Likelihood for Tracking with Particle Filters Odobez, Jean-Marc Ba, Silèye O. Gatica-Perez, Daniel EXTERNAL https://publications.idiap.ch/attachments/reports/2003/rr03-15.pdf PUBLIC Idiap-RR-15-2003 2003 IDIAP Martigny, Switzerland Published in British Machine Vision Conference (BMVC,',','), Norwich, 2003. Particle filters are now established as the most popular method for visual tracking. Within this framework, it is generally assumed that the data are temporally independent given the sequence of object states. In this paper, we argue that in general the data are correlated, and that modeling such dependency should improve tracking robustness. To take data correlation into account, we propose a new model which can be interpreted as introducing a likelihood on implicit motion measurements. The proposed model allows to filter out visual distractors when tracking objects with generic models based on shape or color distribution representations, as shown by the reported experiments.