Filtrage particulaire marginalisé pour la poursuite multi-objets - Archive ouverte HAL
Communication Dans Un Congrès XXIVème Colloque Gretsi Année : 2013

Filtrage particulaire marginalisé pour la poursuite multi-objets

Résumé

Nous nous intéressons dans cette communication au problème de filtrage multi-objets dans le contexte des ensembles statistiques finis et du filtre Probability Hypothesis Density (PHD), une fonction à valeurs réelles qui permet d'estimer à la fois le nombre d'objets et leur état caché. L'utilisation des méthodes de Monte Carlo Séquentielles (SMC) peut produire dans ce contexte des mauvais estimateurs du nombre d'objets et des états cachés inconnus si la dimension du vecteur d'état de chaque objet est importante. Pour pallier ce problème, nous proposons de combiner une méthode de marginalisation visant à réduire la variance des estimateurs considérés avec une méthode de tirage efficace visant à guider les particules dans des régions de l'espace d'état où se trouvent probablement les états cachés.
Fichier non déposé

Dates et versions

hal-00867104 , version 1 (27-09-2013)

Identifiants

  • HAL Id : hal-00867104 , version 1

Citer

Yohan Petetin, Mark Morelande, François Desbouvries. Filtrage particulaire marginalisé pour la poursuite multi-objets. XXIVème Colloque Gretsi, Sep 2013, Brest, France. ⟨hal-00867104⟩
58 Consultations
0 Téléchargements

Partager

More