The present invention is embodied in a system and process for automatically
learning a reliable tracking system. The tracking system is learned by
using information produced by an initial object model in combination with
an initial tracking function, and a data acquisition function for
gathering observations about each image. The initial tracking function
probabilistically determines the configuration of one or more target
objects in a temporal sequence of images. The observations gathered by the
data acquisition function include information that is relevant to
parameters desired for a final object model. These relevant observations
may include information such as the color, shape, or size of a tracked
object, and depend on the parameters necessary to support the final
tracking function. A learning function based on a learning method such as,
for example, neural networks, Bayesian belief networks (BBN),
discrimination functions, decision trees, expectation-maximization on
mixtures of Guassians, probability distribution functions (PDF),
estimation through moment computation, PDF estimation through histograms,
etc., then uses the observations and probabilistic target location
information to probabilistically learn an object model automatically
tailored to specific target objects. The learned object model is then used
in combination with the final tracking function to probabilistically
locate and track specific target objects in one or more sequential images.
Η παρούσα εφεύρεση ενσωματώνεται σε ένα σύστημα και μια διαδικασία για αυτόματα ένα αξιόπιστο ακολουθώντας σύστημα. Το ακολουθώντας σύστημα μαθαίνεται από τη χρησιμοποίηση των πληροφοριών που παράγονται από ένα αρχικό πρότυπο αντικειμένου σε συνδυασμό με μια αρχική λειτουργία καταδίωξης, και μια λειτουργία αποκτήσεων στοιχείων για τη συλλογή των παρατηρήσεων για κάθε εικόνα. Η αρχική λειτουργία καταδίωξης καθορίζει probabilistically τη διαμόρφωση ενός ή περισσότερων αντικειμένων στόχων σε μια χρονική ακολουθία εικόνων. Οι παρατηρήσεις που μαζεύονται από τη λειτουργία αποκτήσεων στοιχείων περιλαμβάνουν τις πληροφορίες που είναι σχετικές με τις παραμέτρους που επιδιώκονται για ένα τελικό πρότυπο αντικειμένου. Αυτές οι σχετικές παρατηρήσεις μπορούν να περιλάβουν τις πληροφορίες τέτοιες ως χρώμα, μορφή, ή μέγεθος ενός ακολουθημένου αντικειμένου, και να εξαρτηθούν από τις παραμέτρους απαραίτητες να υποστηρίξουν την τελική λειτουργία καταδίωξης. Μια λειτουργία εκμάθησης βασισμένη σε μια μέθοδο εκμάθησης όπως, παραδείγματος χάριν, νευρικά δίκτυα, τα Μπεϋζιανά δίκτυα πεποίθησης (BBN), τις λειτουργίες διάκρισης, τα δέντρα απόφασης, την προσδοκία-μεγιστοποίηση στα μίγματα Guassians, τις λειτουργίες διανομής πιθανότητας (PDF), την εκτίμηση μέσω του υπολογισμού στιγμής, της εκτίμησης PDF μέσω των ιστογράμμων, κ.λπ., κατόπιν χρησιμοποιεί τις παρατηρήσεις και τις πιθανολογικές πληροφορίες θέσης στόχων για να μάθει probabilistically ένα πρότυπο αντικειμένου που προσαρμόζεται αυτόματα στα συγκεκριμένα αντικείμενα στόχων. Το μαθημένο πρότυπο αντικειμένου χρησιμοποιείται έπειτα σε συνδυασμό με την τελική λειτουργία καταδίωξης για να εντοπίσει probabilistically και να ακολουθήσει τα συγκεκριμένα αντικείμενα στόχων σε μια ή περισσότερες διαδοχικές εικόνες.
