Filtrage conditionnel pour le suivi de points dans des sequences d'images

National audienceThe approach we investigate for point tracking combines within a stochastic filtering framework a dynamic model relying on the optical flow constraint and measurements provided by a matching technique. Based on this, two kinds of simple trackers are devised whose dynamic and measurements depend on image data. The first one is a linear tracker particularly well-suited to image sequences exhibiting global dominant motion situations. In this context, a conditional Kalman filter is derived through the use of a conditional linear minimum variance estimator. The second one is a nonlinear tracker built from a conditional particle filter. The two trackers allow us to deal with trajectories exhibiting abrupt changes. We present some experimental results on real-world image sequences and compare them to the Shi-Tomasi-Kanade feature tracker.L'approche proposée pour le suivi de point allie, dans le cadre d'un filtrage stochastique, un modèle dynamique construit sur la contrainte de flot optique, et des mesures fournies par une méthode de mise en correspondance. Sur cette base, deux méthodes simples de suivi, dont la dynamique et les mesures dépendent des données images, sont décrites. La première est une méthode linéaire particulièrement bien adaptée aux séquences présentant un mouvement dominant global. Dans ce contexte, un filtre de Kalman conditionnel est défini par l'utilisation d'un estimateur linéaire conditionnel de variance minimal. La deuxième est une méthode non linéaire construite à partir d'un filtre particulaire conditionnel. Ces deux méthodes permettent de suivre des points dont les trajectoires subissent des changements abrupts. Des résultats expérimentaux sur des séquences réelles sont présentés et comparés avec les résultats donnés par le méthode de suivi de Shi-Tomasi-Kanade