JP2008262331A

JP2008262331A - オブジェクト追跡装置およびオブジェクト追跡方法

Info

Publication number: JP2008262331A
Application number: JP2007103712A
Authority: JP
Inventors: Takeshi Mita; 雄志三田; Toshimitsu Kaneko; 敏充金子; Takashi Ida; 孝井田
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2007-04-11
Filing date: 2007-04-11
Publication date: 2008-10-30

Abstract

【課題】映像中の被写体（オブジェクト）を検出し追跡するに際して、オブジェクトを見失わずに追跡を継続させる能力を高める。
【解決手段】異なる複数の観測系列を得る観測手段２と、観測系列それぞれの確信度を評価する評価手段３と、観測系列の間でパーティクルを用いて確信度分布を伝播させる伝播手段４と、を備える。観測手段２は、事前に学習されたオフライン識別器と、追跡中に学習更新されるオンライン識別器とを含む。オンライン識別器は、オフライン識別器による観測結果のうち、確信度の高い画像領域を正事例とし、確信度の低い画像領域を負事例として、それらを識別するのに適した識別器を用いて学習する。
【選択図】図１

Description

本発明は、映像中の被写体（オブジェクト）を検出し、その移動を追跡する装置および方法に関わる。

オブジェクトを見失いにくい追跡装置を実現するために、一般にパーティクルフィルタが用いられる。パーティクルフィルタは、各時刻におけるオブジェクトの位置や大きさといった状態を表すパラメータの確信度分布を伝播させる方法である。パラメータを決定するのではなく、確率的に保持することで、他の決定的手法に比べて見失いにくい特長を有している。そのうち、インポータンスサンプリングにより複数の観測系列を組み合わせる以下の方法により、処理の効率化を図っている。

非特許文献１では、まず色を観測してオブジェクトの存在する候補領域を絞っておき、輪郭を観測して精密な位置を推定する。非特許文献２では、Boostingと呼ばれるパターン識別法によりオブジェクトの存在領域を絞り、次に色情報を用いて検証する。しかしながら、いずれも第１の観測系列において、オブジェクトの観測に失敗すると、追跡を継続できないという問題がある。

これに対して、特許文献１では、複数の観測系列において取得した確信度分布を一度統合し、その統合された分布に従って再度確信度を計算しなおすことにより、追跡を継続させようとしている。しかしながら、すべての観測系列において２度以上確信度を計算しなければならないため、処理効率の点で問題がある。
米国特許第7,035,764号明細書 M. Isard et al., "ICondensation: unifying low-level and high-level tracking in a stochastic framework," Proc. of ECCV, Vol.1, pp.893-908, 1998 K. Okuma et al., "A boosted particle filter: multitarget detection and tracking," Proc. of ECCV, Vol.1, pp.28-39, 2004 （Paul Viola and Michael Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", IEEE conf. on Computer Vision and Pattern Recognition (CVPR), 2001） N. Dalal et al., "Histograms of oriented gradients for human detection," Proc. of CVPR, 2005 H. Grabner et al., "On-line boosting and vision," Proc. of CVPR, 2006

上述したように、従来技術には最初に観測される系列に依存して、追跡の成否が決まるという問題があった。また、それを解決しようとすると処理効率が悪化するという問題があった。

本発明は、上記課題を解決するものであって、複数の観測系列の間でのインポータンスサンプリングを用いたオブジェクト追跡を行なうに当たり、オブジェクトを見失わずに追跡を継続させる能力を高めることを目的としている。

上記目的を達成するために、本発明に係るオブジェクト追跡装置は、映像中のオブジェクトを検出して追跡する装置であって、異なる複数の観測系列を得る観測手段と、前記観測系列それぞれの事後確率で表される確信度を評価する評価手段と、前記観測系列の間でパーティクルを用いて前記確信度の分布を相互に伝播させる伝播手段と、を備えることを特徴とする。

また、本発明に係るオブジェクト追跡方法は、映像中のオブジェクトを検出して追跡する方法であって、異なる複数の観測系列を得る観測ステップと、前記観測系列それぞれの事後確率で表される確信度を評価する評価ステップと、前記観測系列の間でパーティクルを用いて前記確信度の分布を相互に伝播させる伝播ステップと、を備えることを特徴とする。

本発明によれば、オブジェクトを見失わずに追跡を継続させる能力を高めることができる。

以下、本発明の実施形態について説明する。

［第１の実施形態］
図１は、本発明の第１の実施形態に係るオブジェクト追跡装置を示すブロック図である。

この第１の実施形態に係るオブジェクト追跡装置は、異なる複数の観測系列を得る観測手段２と、この観測系列それぞれの事後確率で表される確信度を評価する評価手段３と、この観測系列の間でパーティクルを用いて確信度の分布を相互に伝播させる伝播手段４と、伝播された分布に従って確信度の分布を更新する確信度更新手段５とを備えている。これにより、時系列画像１の入力に対して、オブジェクトの状態に関する確信度分布６を出力する。ここで相互にとは、２者の間で互いにという関係の他に、３者、４者以上の間で巴の関係であっても良い。

次に図１および図２を用いて、本発明の第１の実施形態に係るオブジェクト追跡装置の動作について説明する。なお、図２は、本発明の第１の実施形態に係るオブジェクト追跡装置の動作を示すフローチャートである。

まず、オブジェクト追跡装置は時系列画像を入力する（ステップＳ２１）。次に、観測手段２は、ステップＳ２２において複数の異なる観測系列を取得する。ここでは、２種類の観測系列を得る場合を例として説明するが、観測系列は３種類以上でもよい。時刻tにおける第１の観測をｙ_t ⁽¹⁾、第２の観測をｙ_t ⁽²⁾とし、時刻ｔ＝１から時刻tに至る第１の観測系列をｙ_1:t ⁽¹⁾、第２の観測系列をｙ_1:t ⁽²⁾と表す。パーティクルフィルタを用いたオブジェクト追跡では、以下の式（１）に基づいて、時刻tにおけるオブジェクトの状態ｘ_tの事後分布を逐次的に推定する。

-- （１）

ただし、ｋ_ｔは状態に依存しない正規化定数である。ここでは、この事後分布を確信度分布と呼ぶ。評価手段２は、ステップＳ２３において、観測系列ｙ_1:t ⁽¹⁾とｙ_1:t ⁽²⁾について、いずれの系列の確信度が高いかを評価する。さらに、伝播手段４は、ステップＳ２４で、この評価結果に基づいて観測系列の間で確信度分布を伝播させる。ステップＳ２５で、伝播された分布に従って、再度確信度を計算しなおし、確信度分布を更新する。最終的に、式（１）で表される確信度分布を得る（ステップＳ２６）。

本実施形態の重要な点は、ステップＳ２３において観測系列の確信度を評価することにより、観測系列に序列をつけ、ステップＳ２４において行なわれる伝播の方向を制御する点である。非特許文献１および非特許文献２に代表される従来技術は、この機構を有しないため、最初の観測系列に依存して追跡性能が左右される。すなわち、最初の観測時にオブジェクトを検出できない場合、追跡を継続することができなくなる。本実施形態では、複数の観測系列が相補的に機能するため、オブジェクトを見失うことなく追跡を継続可能である。

本実施形態の動作原理を図３に示す簡単な例を用いて説明する。時刻ｔ１における第１の観測系列での観測３１でオブジェクトが検出され、確信度分布が得られたとする。このとき、インポータンスサンプリングによって、確信度分布が、第１の観測系列での観測３１から第２の観測系列での観測３３への伝播３２が行なわれる。第２の観測系列での観測３３では、伝播された確信度分布をProposal distributionとしてサンプリングを行ない、パーティクルを生成する。Proposal distributionは以下の式（２）によって求められる。

各パーティクルにおいて観測を実行し、第２の観測系列での観測３３の確信度分布を更新する。この操作は、以下の式（３）によってパーティクルの重みｗ_tを更新することにより行なう。

第１の観測系列での観測３１の確信度分布ｐ（ｙ_t ⁽¹⁾|ｘ_t）をProposal distributionとすることの効果は、オブジェクトの存在する可能性が高い位置などを重点的に調べられるようにパーティクルを生成できることである。それにより、的外れな位置を探索したり、重要な位置を探索しなかったりといった非効率的な処理を避け、オブジェクトの状態推定精度を高めることができる。

次に、第１の観測系列で、次の時刻ｔ２におけるオブジェクト状態の予測３４を行なう。同様に、第２の観測系列で、時刻ｔ２におけるオブジェクト状態の予測３５を行なう。これらの予測は、事前に定義した状態遷移確率モデルｐ（ｘ_t|ｘ_t-1）に基づいて実行する。状態遷移確率モデルとしては、ガウシアンによって定義されるrandom walk ｐ（ｘ_t|ｘ_t-1）＝Ｎ（ｘ_t、σ^２）などを用いることができる。

次の時刻ｔ２において、第１の観測系列での観測３８でオブジェクトを検出できなかった場合、第２の観測系列での観測３６を行なう。今度は、観測３６の確信度分布ｐ（ｙ_t+1 ⁽²⁾|ｘ_t+1）をProposal distributionとしてパーティクルを生成し、第１の観測系列での観測３８における確信度分布を求める。この処理が、確信度更新手段５（図１）におけるステップＳ２５（図２）に相当する。このとき、結果としてオブジェクトを検出できず、第１の観測系列での観測３８における確信度分布を構成するパーティクルの重みはすべてゼロとなる可能性もあるが、第２の観測系列を用いて追跡を続行できる。第１の観測系列は、第２の観測系列から各時刻においてオブジェクト状態を通知されるので、再びオブジェクトを検出し、追跡に復帰することも容易となる。

なお、この例では、インポータンスサンプリングによる伝播３２および３７は各一度だけ行なわれているが、複数回双方向に伝播と確信度の更新を繰り返すことにより確信度分布の推定精度を高めることもできる。例えば、伝播３２により第１の観測系列での観測３１から第２の観測系列での観測３３への伝播・更新を行なったあと、第２の観測系列での観測３３から第１の観測系列での観測３１へ逆方向の伝播・更新を行ない、さらに第１の観測系列での観測３１から第２の観測系列での観測３３へ伝播・更新を繰り返すことが可能である。

本実施形態は、パーティクルフィルタに基づく従来の追跡装置を複数連携させる装置と解釈することができる。連携のために、インポータンスサンプリングを使用することで、確信度分布を損なわずに伝播させることが可能である。また、インポータンスサンプリングの順序（方向）を制御することで、複数の追跡装置が相補うことを可能としている。

それぞれの追跡装置がオブジェクトの状態を確信度分布で保持するのでなく、状態パラメータを決定して保持し、互いにパラメータを送信し合うという単純な処理で連携することも考えられるが、これではパーティクルフィルタが本来有している長所を生かすことはできない。本実施形態は、方向制御を伴ったインポータンスサンプリングを用いることで、分布（すなわち複数の仮説）をそのまま伝播することが可能であり、複数の仮説を保持できるというパーティクルフィルタの長所を損なわない。

さらに具体的な例として図４を用いて、本実施形態の動作原理を説明する。図４に示す例では、じゃんけんのパーのジェスチャをしている手を画像から検出するパターン識別器に基づく第１の追跡装置（手検出器）４１と、肌色を検出する第２の追跡装置（肌色検出器）４２が連携する。

第１の追跡装置４１において用いられるパターン識別器としては、例えば非特許文献３に記載された方法により構成できる。このパターン識別器はパーのジェスチャをしている手を検出する精度が高く、特に背景部分を誤って検出することが少ない。したがって、第１の追跡装置における観測４３において得られる確信度分布は信頼性が高いものである。

一方、第２の追跡装置４２における肌色検出の方法としては、あらかじめ多数の手画像からＲＧＢカラーヒストグラムを作成しておき、画像の部分領域とのヒストグラムインタセクションを求める一般的な方法が挙げられる。この第２の追跡装置は、手の状態推定精度はあまり高くないが、肌色を主体とした検出手法であるためパー以外のジェスチャでも検出可能である。したがって、第２の追跡装置４２における確信度分布４４の信頼性は高くないが、第２の追跡装置４２における観測４６においてパーからチョキに変化した場合も、見失うことなく追跡可能である。

しかし、第１の追跡装置４１ではパーのジェスチャしか検出できないため、次の時刻ｔ２における第１の追跡装置４１の観測４５において未検出となってしまう。このような場合は、第２の追跡装置４２での観測４６から第１の追跡装置４１の観測４５の方向へ確信度分布を伝播させ、第２の追跡装置４２を主体として追跡し、第１の追跡装置４１は第２の追跡装置４２から受け取ったオブジェクトの状態を把握しておき、再度ジェスチャがパーに戻ったときに復帰できるよう備える。以上のように主要なジェスチャを検出するパターン識別器と簡便な肌色検出器を相補的に用いることにより、すべてのジェスチャに対応できるパターン識別器を用意する必要がなくなる。

ここで、確信度分布の伝播方向を決定する評価手段３の具体的な処理方法を説明する。確信度分布の伝播方向、すなわちインポータンスサンプリングのProposal distributionを選択するには、それぞれの観測系列の現時刻における確信度を直接評価するか、前の時刻から予測するという手段をとる。確信度を直接評価する場合は、前の時刻からの予測にのみ基づいて観測を行ない、各パーティクルにおいて確信度を算出する。確信度の平均値、最大値などをそれぞれの観測系列の評価値として、評価値の大きい順に系列をソートし、その順に伝播させればよい。

しかし、この方法では実際に観測をしてみなければ、伝播方向を決めることができない。処理を簡略化する方法として、前の時刻から予測にのみ基づいて伝播方向を決定する例を挙げる。一般に、精度の高いパターン識別器を用いた追跡装置ほどパーティクルのばらつき（分散）は小さくなる。これを利用し、前の時刻におけるパーティクルの状態空間での分散、あるいは前の時刻からの予測後のパーティクルの状態空間での分散を観測系列間で比較し、分散の小さいものから順に伝播を開始すればよい。

なお、これまではProposal distributionを他方の観測系列から得た確信度分布とする例を説明してきたが、下記の式（４）のように前の時刻から予測ｐ（ｘ_t|ｘ_t-1）と他方の確信度分布ｐ（ｙ_t ⁽¹⁾|ｘ_t）の混合分布を用いてもよい。

ここで、αは混合比率を表すパラメータである。

［第２の実施形態］
続いて、本発明の第２の実施形態について図５ないし図８を参照しながら説明する。第２の実施形態では、連携させる追跡装置の一方を事前に学習されたパターン識別器に基づくオフライン追跡装置とし、もう一方を追跡中に学習更新されるオンライン追跡装置とする。例えば、人間の手や顔を追跡する場合、形状や姿勢が大きく変動するため、あらゆる変動に対応できるパターン識別器を事前に学習しておくのは、著しく手間がかかるか事実上不可能である。そこで、主要な形状や姿勢を検出可能な識別器により第１の追跡装置を構成しておき、その他の形状や姿勢については変動に応じて自動更新されるオンライン学習機能を有した第２の追跡装置を用いる。

図５は、第２の実施形態を表すブロック図である。図５の時系列画像５１、観測手段５２、評価手段５３、伝播手段５４、確信度更新手段５６、確信度分布５７はそれぞれ、図１の時系列画像１、観測手段２、評価手段３、伝播手段４、確信度更新手段５、確信度分布６に相当する。図１との相違点は、学習手段５５が追加された点である。学習手段５５では、第１の追跡装置から伝播手段５４によって伝播された確信度分布に基づいて、第２の追跡装置が学習する。この学習の結果、確信度更新手段５６によって第２の追跡装置における確信度分布が更新される。

図６は、第２の実施形態における処理の手順を示すフローチャートである。この図における時系列画像入力（ステップＳ６１）、複数の異なる観測系列の取得（ステップＳ６２）、観測系列の確信度の評価（ステップＳ６３）、パーティクルによる確信度の伝播（ステップＳ６４）の各ステップはそれぞれ、第１の実施形態（図２）におけるステップＳ２１からＳ２４と同様の処理である。さらに、第２の実施形態における確信度の更新（ステップＳ６７）と確信度分布の取得（ステップＳ６８）はそれぞれ、第１の実施形態（図２）におけるステップＳ２５、Ｓ２６に相当する。

第２の実施形態では新たに、パーティクルによる確信度の伝播（ステップＳ６４）と確信度の更新（ステップＳ６７）の間にステップＳ６５とＳ６６が追加されている。ステップＳ６５では、第１の追跡装置から伝播された確信度分布に基づいて、第２の追跡装置の学習に必要な学習サンプルを収集する。そして、次のステップＳ６６では、この学習サンプルに基づいて学習を行なう。

図７に、学習サンプル収集のための方法の例を示す。符号７１はオブジェクトの状態を表すパラメータ空間である。簡単のため、パラメータはオブジェクトの画像内での位置を表す２次元座標値としている。符号７２は、各位置においてオブジェクトが存在する確信度を表す分布であり、第１の追跡装置から伝播されたものである。確信度が高いほど明るく表示しており、分布の中心ほどオブジェクトが存在する確率が高いことを意味している。下記で詳細に説明するように、パターン識別器を構成するには、通常オブジェクトのクラスに属する正事例とオブジェクトのクラスとは異なるクラス（背景クラス）に属する負事例の２種類を学習サンプルとして用いる。

符号７３は正事例、符号７４は負事例を表す。確信度分布７２の中心付近、すなわちオブジェクトである確信度の高い画像領域を切り出して正事例７３とし、確信度分布７２の中心から離れた部分、すなわちオブジェクトである確信度の低い画像領域を切り出して負事例７４とする。これにより、オブジェクトと特にその周辺の背景を区別する能力が高いパターン識別器を構成できる。もちろん、正事例だけを収集しても構わない。

このように収集した学習サンプルを使用し、ステップＳ６６で学習を行ない、第２の追跡装置をオンライン更新する。更新された追跡装置は、あらためて確信度分布７２に従って観測を行ない、確信度分布を更新する（ステップＳ６７）。これを最終結果として、オブジェクトの確信度分布を出力する（ステップＳ６８）。

より具体的に、２つの追跡装置をどのように構成するかについて説明する。まず、第１の追跡装置では、例えば上述の非特許文献３により、パターン識別器を使用する。このパターン識別器は、事前に収集された多くの学習サンプルから学習されるため、統計的な信頼性が高く、高い検出精度を期待できる。しかし、実際には、まさに今から追跡しようとするオブジェクトは学習サンプルに含まれていない場合が多い。そこで、第２の追跡装置は、第１の追跡装置によって検出されたオブジェクトそのものから学習サンプルを取得する。

次に、第２の追跡装置のオンライン学習方法について代表的な例を説明する。第１の例は、ＲＧＢカラーヒストグラムによる実装である。カラーヒストグラムは、オブジェクトの変形や回転などに左右されにくい特性を有するため、見失わずに追跡を継続するという目的との親和性が高い。図７に示した方法により集められた正事例から、以下の式（５）に基づいてＲＧＢカラーヒストグラムを生成する。

ここで、Ｎは正事例の枚数、Ｍは事例のサイズ（画素数）を表す。（Ｒ_ｊ，Ｇ_ｊ，Ｂ_ｊ）は画素ｊにおける画素値、ｓは量子化定数である。例えば、ＲＧＢ各２５６階調を８階調に量子化するとき、ｓ＝３２であり、このときヒストグラムのビンの数は８^３＝５１２となる。各時刻において、このヒストグラムを計算しなおし更新すれば、最新のオブジェクトの色分布を取得できる。なお、ヒストグラムは総和が１となるように正規化しておく。

第２の追跡装置において観測を行ない、確信度分布を求める際には、以下の式（６）に基づいてヒストグラムインタセクションｄを算出すればよい。

ここで、Ｂはヒストグラムのビン総数、ｈ’は観測位置におけるヒストグラムである。

正事例と負事例の両方を用いる場合は、正事例から算出されたヒストグラムｈＰと負事例から算出されたヒストグラムｈＮを用い、双方のヒストグラムとのインタセクションｄＰおよびｄＮを求め、その差ｄＰ−ｄＮを確信度とすればよい。

なお、ここではＲＧＢカラーヒストグラムを用いたが、ＨＳＶやｒｇなど他の表色系に基づくヒストグラムを利用できる。また、ＨＯＧ（非特許文献４）など色でなく明度の勾配を利用してテクスチャの分布を表現するヒストグラムを利用することもできる。また、たとえば以下の式（７）などを用いて、過去の時刻のヒストグラムと現時刻のヒストグラムを混合することにより、オブジェクトの時系列データを利用したヒストグラムを活用してもよい。

ここで、βは混合比率を指定するパラメータである。

次に、第２の例について説明する。この例では、第１の追跡装置は前述のものと同じで、第２の追跡装置を高度化する。さきほどの例では、第２の追跡装置は、単一の特徴に基づくヒストグラムを用いていたが、複数の特徴を組み合わせた方がより識別能力が高くなる。そこで、様々な表色系やテクスチャに基づく特徴の候補を用意しておき、識別に有効な特徴を学習の際に選択するアルゴリズムを使用する。例えば、非特許文献５の手法を用いることができる。On-line boosting は、各時刻において収集される学習サンプルを逐次的に追加しながら、パターン識別器を更新する手法である。第１の追跡装置で用いるパターン識別器とは、事前にすべての学習サンプルを用意しておく点が異なる。

図８は、On-line boostingによる学習手順を示すフローチャートである。あらかじめパターン識別器を構成する弱識別器の数と特徴候補の数については与えておくものとする。まず、ステップＳ８１で弱識別器の学習を開始する。所定の数の弱識別器を学習し終われば、処理を終了する。そうでなければ、弱識別器で用いる特徴をあらかじめ与えた候補の中から探索する（ステップＳ８２）。探索は基本的に全探索で、各候補について学習サンプルに対する識別誤り率を算出する（ステップＳ８３）。すべての候補を探索したら、誤り率が最小となる特徴を選択する（ステップＳ８４）。以上により、追跡中のオブジェクトを追跡するのに適した特徴を選択できるため、見失うことなく追跡を継続可能となる。

なお、この例では第１、第２の追跡装置で用いられるパターン識別器は、いずれもBoostingアルゴリズムにより学習されており、以下の式（８）により識別関数が定義される。

ここで、α_kは弱識別器ｆ_k（ｘ）の信頼度を表し、学習過程で求められる。ｘは入力画像もしくは入力される画像の注目領域である。通常、Ｆ（ｘ）は−∞〜＋∞の範囲の値をとるが、下記の式（９）に示すロジスティック関数により、０〜１の範囲の確率値に変換できる。

追跡に必要な確信度として、この確率値を用いればよい。

本発明の第１の実施形態に係るオブジェクト追跡装置の構成を示すブロック図。本発明の第１の実施形態の動作を示すフローチャート。本発明の第１の実施形態の動作原理を説明する図。本発明の第１の実施形態の具体例を説明する図。本発明の第２の実施形態に係るオブジェクト追跡装置の構成を示すブロック図。本発明の第２の実施形態の動作を示すフローチャート。本発明の第２の実施形態に係る学習サンプルの収集手順を表すフローチャート。本発明の第２の実施形態に関わるオンライン学習手順を示すフローチャート。

符号の説明

１：時系列画像
２：観測手段
３：評価手段
４：伝播手段
５：確信度更新手段
６：確信度分布

Claims

映像中のオブジェクトを検出して追跡する装置であって、
異なる複数の観測系列を得る観測手段と、
前記観測系列それぞれの事後確率で表される確信度を評価する評価手段と、
前記観測系列の間でパーティクルを用いて前記確信度の分布を相互に伝播させる伝播手段と、
を備えることを特徴とするオブジェクト追跡装置。
前記観測手段は、事前に学習されたオフライン識別器と、追跡中に学習更新されるオンライン識別器と、を含むこと、を特徴とする請求項１に記載のオブジェクト追跡装置。
前記オンライン識別器は、前記オフライン識別器による観測結果に基づいて学習する手段を有することを特徴とする請求項２に記載のオブジェクト追跡装置。
前記オンライン識別器は、前記オフライン識別器による観測結果のうち、確信度の高い画像領域を正事例とし、確信度の低い画像領域を負事例として、それらを識別するのに適した識別器を用いて学習する手段を有することを特徴とする請求項３に記載のオブジェクト追跡装置。
前記評価手段は、前の時刻から現時刻への予測によって生成されたパーティクルの分散を評価することにより、伝播方向を決定する手段を有することを特徴とする請求項１ないし請求項４のいずれか一項に記載のオブジェクト追跡装置。
前記評価手段は、前の時刻から現時刻への予測によって生成されたパーティクルの確信度を評価することにより、伝播方向を決定する手段を有することを特徴とする請求項１ないし請求項４のいずれか一項に記載のオブジェクト追跡装置。
前記伝播手段は、インポータンスサンプリングを用いることを特徴とする請求項１ないし請求項６のいずれか一項に記載のオブジェクト追跡装置。
映像中のオブジェクトを検出して追跡する方法であって、
異なる複数の観測系列を得る観測ステップと、
前記観測系列それぞれの事後確率で表される確信度を評価する評価ステップと、
前記観測系列の間でパーティクルを用いて前記確信度の分布を相互に伝播させる伝播ステップと、
を備えることを特徴とするオブジェクト追跡方法。