基于 Hamiltonian 马氏链蒙特卡罗方法的突变运动跟踪

在计算机视觉领域，由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性，使得突变运动跟踪成为该领域的挑战性课题。以贝叶斯滤波框架为基础，提出一种基于有序超松弛 Hamiltonian 马氏链蒙特卡罗方法的突变运动跟踪算法。该算法将 Hamiltonian 动力学融入 MCMC（Markov chain Monte Carlo）算法，目标状态被扩张为原始目标状态变量与一个动量项的组合。在提议阶段，为抑制由 Gibbs 采样带来的随机游动行为，提出采用有序超松弛迭代方法来抽取目标动量项。同时，提出自适应步长的 Hamiltonian 动力学实现方法，在跟踪过程中自适应地调整步长，以减少模拟误差。提出的跟踪算法可以避免传统的基于随机游动的 MCMC 跟踪算法所存在的局部最优问题，提高了跟踪的准确性而不需要额外的计算时间。实验结果表明，该算法在处理多种类型的突变运动时表现出出色的处理能力。