Filtrage conditionnel pour la trajectographie dans des sequences d'images - Application au suivi de points

National audienceIn this paper, we propose a new conditional formulation of classical filtering methods dedicated to image sequence based tracking. These conditional filters allow to consider a state model and a measure model which both depend on the image sequence data. On this basis, we derive two filters for the point tracking problem, which authorize to cope with trajectories exhibiting abrupt changes and occlusions. They combine a dynamic relying on the optical flow constraint and measures provided by a matching technique. The first tracker is linear, well-suited to image sequences exhibiting global dominant motion. This filter is deduced through the use of a new estimator called the conditional linear minimum variance estimator. The second one is a nonlinear tracker, implemented from a particle filter. This latter allows to track points whose motion may only be locally described.Dans cet article, nous proposons une nouvelle formulation conditionnelle des méthodes classiques de filtrage, dédiée à la trajectographie dans des séquences d'images. Ces filtres conditionnels permettent de considérer un modèle d'état et un modèle de mesure qui dépendent de la séquence. Dans ce cadre, deux filtres ont été construits pour la trajectographie de points. Ces méthodes permettent de suivre des trajectoires qui subissent des changements abrupts et des occlusions. Elles combinent une dynamique construite sur la contrainte de flot optique, et des mesures fournies par une méthode de corrélation. Le premier filtre est linéaire, particulièrement bien adapté aux séquences présentant un mouvement dominant. Il est dérivé de l'utilisation d'un nouvel estimateur appelé estimateur linéaire conditionnel de variance minimale. Le second filtre est non linéaire, construit à partir d'un filtre particulaire. Ce dernier permet de suivre des points dont le mouvement ne peut être décrit que localement