nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

On Approximate Bayesian Computation Methods for Multiple Object Tracking

verfasst von : Fabian Sigges, Marcus Baum

Erschienen in: Simulation Science

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

In this article, we present further results on the use of Approximate Bayesian Computation (ABC) particle filters for multiple object tracking (MOT). Based on our previous work that uses the OSPA distance to select the k-nearest simulated measurements with respect to the actual measurements, we present and evaluate two further ABC variants. The first variant replaces the OSPA distance with a kernel distance, reducing the computational complexity significantly, while the second version exchanges our previous k-nearest-neighbour approach for a distance-based approach, commonly used in ABC algorithms. The algorithms are compared to conventional multiple object tracking algorithms in simulated scenarios with multiple objects.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Dynamic Management of Multi-level-simulation Workflows in the Cloud

Nächstes Kapitel Investigating the Role of Pedestrian Groups in Shared Spaces through Simulation Modeling

Bar-Shalom, Y., Daum, F., Huang, J.: The probabilistic data association filter. IEEE Control Syst. Mag. 29(6), 82–100 (2009). https://doi.org/10.1109/MCS.2009.934469MathSciNetCrossRefMATH

Bar-Shalom, Y., Kirubarajan, T., Li, X.R.: Estimation with Applications to Tracking and Navigation. Wiley, New York (2002)

Baum, M., Ruoff, P., Itte, D., Hanebeck, U.D.: Optimal point estimates for multi-target states based on kernel distances. In: Proceedings of the 51st IEEE Conference on Decision and Control (CDC 2012), Maui, Hawaii, USA, December 2012. https://doi.org/10.1109/CDC.2012.6426189

Biau, G., Corou, F., Guyader, A.: New insights into approximate bayesian computation. Annales de l’Institut Henri Poincare, Probabilites et Statistiques 51(1), 376–403 (2015)MathSciNetCrossRef

Hue, C., Le Cadre, J.P., Perez, P.: Tracking multiple objects with particle filtering. IEEE Trans. Aerosp. Electron. Syst. 38(3), 791–812 (2002). https://doi.org/10.1109/TAES.2002.1039400CrossRef

Ickowicz, A.: Approximate bayesian algorithms for multiple target tracking with binary sensors. CoRR abs/1410.4262 (2014). http://arxiv.org/abs/1410.4262

Jinan, R., Raveendran, T.: Particle filters for multiple target tracking. Procedia Technol. 24, 980–987 (2016)CrossRef

Marjoram, P., Molitor, J., Plagnol, V., Tavaré, S.: Markov chain Monte Carlo without likelihoods. Proc. Nat. Acad. Sci. 100(26), 15324–15328 (2003)CrossRef

Musicki, D., La Scala, B.: Multi-target tracking in clutter without measurement assignment. IEEE Trans. Aerosp. Electron. Syst. 44(3), 877–896 (2008). https://doi.org/10.1109/TAES.2008.4655350CrossRef

10.

Palmier, C., Dahia, K., Merlinge, N., Del Moral, P., Laneuville, D., Musso, C.: Adaptive approximate Bayesian computational particle filters for underwater terrain aided navigation. In: Proceedings of the 22th International Conference on Information Fusion (FUSION 2019) (2019)

11.

Papadimitriou, C.H., Steiglitz, K.: Combinatorial Optimization: Algorithms and Complexity. Dover Publications, New York (1998)MATH

12.

Pritchard, J.K., Seielstad, M.T., Perez-Lezaun, A., Feldman, M.W.: Population growth of human Y chromosomes: a study of Y chromosome microsatellites. Mol. Biol. Evol. 16(12), 1791–1798 (1999)CrossRef

13.

Romeo, K., Crouse, D.F., Bar-Shalom, Y., Willett, P.: The JPDAF in practical systems: approximations. In: Proceedings of SPIE 7698, Signal and Data Processing of Small Targets 2010, vol. 7698, pp. 76981I–76981I–10 (2010). https://doi.org/10.1117/12.862932

14.

Schuhmacher, D., Vo, B.T., Vo, B.N.: A consistent metric for performance evaluation of multi-object filters. IEEE Trans. Signal Process. 56(8), 3447–3457 (2008). https://doi.org/10.1109/TSP.2008.920469MathSciNetCrossRefMATH

15.

Sigges, F., Baum, M., Hanebeck, U.D.: A likelihood-free particle filter for multi-object tracking. In: Proceedings of the 20th International Conference on Information Fusion (FUSION 2017), Xi’an, P.R. China, July 2017. https://doi.org/10.23919/ICIF.2017.8009796

16.

Sisson, S.A., Fan, Y., Tanaka, M.M.: Sequential Monte Carlo without likelihoods. Proc. Nat. Acad. Sci. 104(6), 1760–1765 (2007)MathSciNetCrossRef

17.

Turner, B.M., Van Zandt, T.: A tutorial on approximate Bayesian computation. J. Math. Psychol. 56(2), 69–85 (2012)MathSciNetCrossRef

18.

Vermaak, J., Godsill, S., Perez, P.: Monte Carlo filtering for multi target tracking and data association. IEEE Trans. Aerosp. Electron. Syst. 41(1), 309–332 (2005). https://doi.org/10.1109/TAES.2005.1413764CrossRef

Titel: On Approximate Bayesian Computation Methods for Multiple Object Tracking
verfasst von: Fabian Sigges
Marcus Baum
Verlag: Springer International Publishing
Buch: Simulation Science
Print ISBN: 978-3-030-45717-4

Electronic ISBN: 978-3-030-45718-1

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-030-45718-1_3

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"