Discussion :

[jean_pierr]

Bnjour,

j ai besoin de programmer un filtre a particule pour le tracking d une personne, mais j'ai pas une grande idee sur l algorithme. Je demande une explication des grande ligne de cet algo . merci de m aider.

[pseudocode]

Difficile de résumer ca rapidement.

C'est une méthode de détection statistique:

On pourrait résumer cela à la problèmatique suivante:
1. sachant où était l'objet aux temps t(0), t(1), ..., t(n), quel est l'endroit le plus probable où se trouvera l'objet au temps t(n+1) ?
2. Quel niveau de confiance a-t-on dans cette prédiction ?

Cette problèmatique se résout mathématiquement par des modèles probabilistes (distribution, modèle, vraisemblance).

Une fois qu'on sait "où" chercher et avec quel "niveau" de confiance, on fait un échantillonnage dans la région = on fait des mesures au hasard dans la zone de confiance. Beaucoup de mesures au centre de la zone, et de moins en moins quand on s'éloigne..

Une fois qu'on a trouvé où est réellement l'objet au temps t(n+1), on peut réitérer le procédé pour le temps t(n+2).


Google "Sequential Monte Carlo Methods: a Survey" pour un survol rapide de la méthode.

[jean_pierr]

bonjour,
merci pour votre explication, j'ai lu des documents ajourdhoui et je comprends que c,est une methode pou estimer une distribuon par un ensemble de particules base sur la simulation de monte carlo.

je comprends que le filtre de particule consiste en 2 parties mathematiquement.
prediction et update. et pour implementer le filtre a particule il nous faut trois modele:

1) modele de transition: specifie comment l objet bouge entre les frames.
2) model d'observation: specifie la vraisemblance de l objet dans un etat specifique
3) etat initial de la distribution model p(x0): decrit la distribution initial de l 'etat de l objet.

j'ai compris l etape 1 et 3 mais la 2 eme etape est tres flou. merci de m'aider.

[pseudocode]

j'ai compris l etape 1 et 3 mais la 2 eme etape est tres flou. merci de m'aider.

le modèle d'observation spécifie la probabilité qu'une observation (= une ou plusieurs mesures) représente effectivement l'objet cherché.

Par exemple, si on cherche à tracker un drapeau français, le modèle d'observation serait du genre:
{33% bleu, 33% blanc, 33% rouge} --> 100% de vraisemblance
...
{20% bleu, 40% blanc, 10% rouge} --> 60% de vraisemblance
...
{0% bleu, 0% blanc, 0% rouge} --> 0% de vraisemblance

[jean_pierr]

merci pour votre explication. si j ai compris:
par example si on a une personne et on veut tracker les pieds. on modelise le pieds par un triangle de couleur donne suivant l image video.
1)% premierement, pour le frame 1, on choisit N particules (c a d N triangle au tour de pieds).
2)pour la frame 2,...,T, on fait la prediction de la position de pieds en faisant la soustraction entre le deux frame successives.
3)on fait la mise a jour de poid de chaque particule en rafinant le nombre N a M.

mais il me manque maintenant que les formules de update et calcule de poids.