Integrating RJMCMC and Kalman filters for multiple object tracking
Résumé
In this paper, we propose to integrate the Kalman filter with the reversible jump Markov Chain Monte Carlo (RJMCMC) sampler to improve the optimization procedure in the case of multiple object tracking. We propose the use of a dedicated perturbation kernel that uses the Kalman filter to generate multiple objects in a single iteration. We demonstrate that this kernel reduces considerably the mixing time of the Markov chain, as compared to the standard RJMCMC sampler. We show results on two synthetic biological sequences and two simulated remotely sensed data sets of the city of Toulon, France.
Dans cet article, nous proposons d' intégrer le filtre de Kalman a un echantillonneur de Monte Carlo par chaˆne de Markov a sauts réversibles (RJMCMC) pour améliorer la procédure d'optimisation dans le cas de suivi d'objets multiples. Nous proposons l'utilisation d'un noyau de perturbation dédié qui utilise le filtre de Kalman pour générer de multiples objets dans une seule itération. Nous démontrons que ce noyau permet de réduire considérablement le temps de mélange de la chaˆne de Markov, par rapport a l'echantillonneur RJMCMC standard. Nous montrons les résultats obtenus sur deux séquences biologiques synthétiques et deux séquences simulées de télédétection sur la ville de Toulon, France.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...