多个目标的实时视频跟踪的先进的算法.doc

2008 10th Intl. Conf. on Control, Automation, Robotics and VisionHanoi, Vietnam, 1720 December 2008多个目标的实时视频跟踪的先进的算法1110200210 俞赛艳 Artur Loza Department of Electrical and ElectronicEngineeringUniversity of BristolBristol BS8 1UB, United Kingdom artur.lozabristol.ac.uk Miguel A. Patricio, Jesus Garca, and Jose M. MolinaApplied Artificial Intelligence Group (GIAA)Universidad Carlos III de Madrid28270-Colmenarejo, Spainmpatrici,jgherrerinf.uc3m.es, molinaia.uc3m.es 摘要本文调查了用组合和概率的方法来实现实时的视频目标跟踪。特殊兴趣是真实世界的场景,在这场景里.多目标和复杂背景构成对非平凡的自动追踪者的挑战。在一个规范的监控视频序列里，对象跟踪是以组合数据协会和粒子过滤器为基础，通过选择完成视觉跟踪技术实现的。以详细的分析性能的追踪器测试的优点为基础，已经确定了互补的失效模式和每种方法的计算要求。考虑到获得的结果, 改善跟踪性能的混合策略被建议了,为不同追踪方法带来了最好的互补特性。关键字-概率、组合、粒子过滤器、跟踪、监视、实时、多个目标.1、 介绍最近人们对通过单个摄像机或一个网络摄像头提供来跟踪视频序列增加了兴趣。在许多监测系统中，可靠的跟踪方法至关重要的。因为它们使运营商在远程监控感兴趣的领域,增加对形势感知能力和帮助监测分析与决策过程。跟踪系统可以应用在一个广泛的环境如:交通系统、公共空间(银行、购物)购物中心、停车场等)、工业环境、政府或军事机构。跟踪的对象通常是移动的环境中的一个高可变性。这需要复杂的算法对视频采集,相机校正、噪声过滤、运动检测，能力学习和适应环境。因为它的情况往往现实场景,系统也应该能够处理多个目标出现在现场。为了实现强大的和可靠的多个跟踪目标,，各种各样的问题，具体到这种场景，都必须加以解决。不仅要解决状态估计问题，而且还必须使执行数据联合运行得准确,特别是当多目标交互存在时。早期多个对象跟踪的工作，关注于一个固定的数字的目标,但是人们已经认识到, 很有必要解释新出现的目标以及消失的目标造成的变量数量及多个轨道数量，具有相当良好的间隔。 这是典型的用扩展状态估计框架联合跟踪所有检测目标4。联合跟踪目标6,避免使用几个独立过滤器7的必要性,但个人目标的身份可能会丢失,特别是当目标是紧密相连的。另一方面, 当所有目标都相当好时，一个单独的跟踪滤波器只能应用到多个目标跟踪,，但它很少出现这种情况。由于计算机的实时跟踪系统局限性,跟踪算法的复杂性是一个特殊的重要性。在这种情况下，算法和特定场景必须被考虑,这些情况应该包括:目标检测能力,复杂的联合概率分布,以及在现场对象数呈现的他们的动力。一个现实的监视场景是这样的，视频跟踪器监控复杂的多目标场景。由于存在虚假或类似的彩色背景和相互作用或闭塞的目标，视频序列展现这样的场景是非常具有挑战性的。因为长时间只使用一个类型的一个专门跟踪，不可能成功地执行跟踪等复杂的场景。改进跟踪可以通过使用少量的低复杂度互补算法,或单个混合解决方案获得通过结合多种技术来实现。为了能够完成杂交任务,优势,失效模式在一个现实的监视场景被认为在这工作,在这种通信中, 基于组合数据协会和粒子过滤器,对两个一般方法来跟踪、都进行了综述和分析。这些技术代表三个算法:连接组件,单变量边际分布和粒子过滤器，都被应用于一个监控视频序列。他们的性能评价基于轨迹的连续性的概率失去一个跟踪和帧处理速率。连同识别的一些缺点,每一个方法,就是使用要更好地了解跟踪技术使用和分析潜在的混合方案,利用每个技术的优点。 其余部分的组织如下：第二节多目标联合估计问题。第三节综述了概率解决视频跟踪的问题,特别强调数据协会和状态估计技术。第四节里,评估的视频跟踪仿真的方法及详细的讨论结果。最后,第五部分提出了研究的结论并提出区域未来的工作。2、多目标联合估计问题现实中的视频对象跟踪器经常面对多目标(MTJE)联合估计问题。MTJE关心在一个场景里对象的数量,相互的瞬时位置,运动状态和任何其他特性要求。这些代表目标的实体,被称为一个目标状态。目标状态向量与位置和运动估计(可以参考到相机平面)被用于跟踪,通常辅以属性定义目标的扩展,形状、颜色、标识等等。一个经常使用的表示法的目标状态分别对应于对象xn次,对应形心、速度、范围和对象的规模。在这种情况下维度d = 7情况下。一个完整的MTJE问题公式化的问题考虑对象的数量N和他们的特点，,因此,全球估计问题涵盖了理论配置设置: 这个公式包括代表某些目标缺席的情况下,即N = 0。一般来说, 出现在场景中对象的数量,N连同每个对象的状态，是未知的,是独立于时间的。完整的估计问题时间,或跟踪,包括估计的序列，X，k是时间指数,描述序列可用的观测,获得了Zk,时间k、.。3、概率解决视频跟踪问题A .贝叶斯跟踪框架因为他们避免简化假设,这可能会降低性能，所以贝叶斯推理方法获得了良好声誉跟踪和数据融合应用。 在复杂的情况下,有可能提供一个次优的解决方案。在理想的情况下解决方案接近理论最优值，取决于计算能力来执行数字近似法和概率模型的可行性的目标外观,动力,和测量可能性。在贝叶斯跟踪框架中，最好的后部估计的Xk的推测基于可用的测量、Zk,基于推导的后验概率密度函数(pdf)p(Xk | Zk)。假设后验pdf时k1是可用的,先前的pdf在这个国家的时间获得通过k在查普曼柯尔莫哥洛夫方程 Xk1:p(Xk | Xk1)是状态转移概率。一旦一个测量值zk可用,p(Xk | zk)是递归地获得根据贝叶斯更新规则在这里p(Zk | Zk1)是一个正常化常数，p(Zk | Xk)是测量的可能性。常用的估计的Xk,包括最大后验(MAP),Xk =自变量maxXk p(Xk | Zk)和最小均方误(MMSE)、Xk = Xkp(Xk | Zk)dXk,相当于预期值的状态。在一般情况下,当跟踪多个目标,完整的描述需要一个扩展的表示法。因此前面的估计p(Xk | Zk)没有减少计算一个积分,但由计算整个组概率,总结了所有可能的数字目标N(一个组合数量的可能的情况下),每一个人导致一个特定的组估计向量。B、图像数据和属性提取在贝叶斯框架中，数据提取图像,称为Zk的观察,是用来决定的可能性估计假设处理跟踪。P(Zk | Xk)在(3),描述了底层状态,Xk,支持观察Zk。因此,在使用的可能性用于更新跟踪对象的集合代表在单一的假设情况下, 在多个假设案例瞎，分析相对优势的假设就能观察。在视频处理中，一个标准方法由分离检测和跟踪过程组成。检测通常基于背景估计和减法,和导致一个前台二进制的掩模。在某些情况下,对象外观和形状可以基于这个二进制表示,被称为一个“blob”。背景/前景分割是进行校准视频帧,其次是特征提取的前景对象。提取的特征可以与相关的位置(重心)和形状(高度和宽度的边界盒,详细的轮廓,等等)相联系。我们将参考这样的测量为“blob的基础”的测量。作为一个结果,相关的测量单个对象和条件在之前的检测阶段。各种其他功能利用额外的图像信息,如颜色、运动、边缘、空间结构和纹理,来追踪移动物体,(见11-13)。使用这些特性造成许多挑战,包括如何模拟移动对象,选择的测量模型和功能描述之间的相似度的两个图像或视频帧。在这种情况下,似然函数将评估的区别功能分布的假定目标在Xk和它的分布在图像Zk。C、.数据关联技术多个目标的跟踪是经常分裂成两个相关的阶段,也就是数据关联和状态估计。数据协会决定哪些观测过程相对应对哪些对象,以便每个测量是用来更新相应的跟踪。这是紧随其后的是过滤算法,更新目标状(状态估计)。注意在数据关联过程中,数字检测到的目标是估计和假警报的测量正在确认。下面,我们详细讨论常见的两种使用数据关联技术,基于组合和概率方法。1)组合方法:组合方法是一个基于一定的费用，被称作为标准“硬”协会的顺序测量的所有曲目及旋进的更新阶段。因此,不列举所有选择和评估相应的概率,而是采取一种假说,在每一帧,优化它偏离了贝叶斯方法。在最简单的情况下,一个最近的邻居(NN)策略确定blob跟踪信件,会自己分配追踪到最近的观察, 并没有在不同的轨道处理模棱两可的对应关系,或考虑后续帧。然而,在实际环境中,跟踪系统应该能够处理复杂运动和目标之间的相互作用。因此,-一个约束通常删除,多个blob联系到多个跟踪评估、会计对于分散或合并气泡导致每个跟踪。在为了评估这种对应,一个评估函数,考虑到因子之间的残差和同时结构对象的信息,必须被定义。在blob基于似然函数、数据关联是一个序贯决策过程根据当前帧检测和结果之前的作业。它可以制定为最大化似然函数的电流观察(检测)检测和协会的条件从以前的框架:arg马克斯f(Ak) = P(bk|Ak,bk1,Ak1,bk2,Ak2,.,b0,A0)A(4)如果bik是分配给对象oj;否则Ak(ij)k = 0，在这里Ak成为Akij = 1。从k-th结构中提取的blobs被定义为，在这里Mk和 Nk1分别代表数量的blobs和跟踪对象。特殊情况下,j = 0,代表在当前时间转让blobs “空轨道”。这是用来丢弃或初始化对象。根据结果的检测过程，随时间注意尺寸的矩阵Ak, Nk Mk + 1。 为了描述先前的历史任务, 在现场，把观察状态向量作为充分的统计,总估计的参数: 。因此,表达式(4)可以新配方在功能方面所观察到的属性和可以来近似: arg(5)对象的状态向量,例如递归更新序列分配的观察,用运动和观察模型,通过跟踪滤波器如卡尔曼滤波器。最佳分辨率的二进制值能Ak，作为一个搜索沿着关联的假说。一般来说,假设给定的数量是由表达式: (6)Nh是对象的数量。NH包括每一个blob的标签不属于任何轨道可能性,“空跟踪”。对于严重重叠,所有blobs可以分配到的所有曲目,表达呈现以下来自: NH = (1 + Mk)Nk.因此,分配问题可能需要评估一个非常大的数量的组合来确定最佳的解决方案的。在14,完整的数据关联问题是制定为一个组合假设搜索与启发式评估函数的规划。其中这个假设空间最有效的搜索方法是估计分布算法(EDAs)。 EDAs是一类进化算法没有实现交叉或变异算子。新人口抽样概率分布生成的,这是估计的信息的几个选择个人从上一代。估计的联合概率分布有关选中的人是最复杂的任务。其中一个导致制定单变量的边际分布算法(UMDA)15。在UMDA,联合概率分布估计的相对频率的变量的值存储在一个数据集。变量假定是独立的,它已被证实在理论上UMDA表演得非常好,与线性问题依赖关系不显著。UMDA算法的提出了伪代码的形式在表五。2)概率方法:联合概率的估计密度函数需要一个从X包含所有可能的配置对象和相关的状态向量,对所有可能的值的n非常大的样本空间.显示在16,可以近似这密度与一个表我单变量的边际分布算法离散化网格,但是,这需要一个固定数量的网格细胞。TABLE IUNIVARIATE MARGINAL DISTRIBUTION ALGORITHM1. UMDA()2.3.Di.M generate CRITERIAM samples ; loop # STOPPING4. Evaluation1.MDi.MNevaluate() ;M Di.M);5. # Select N samples6. select(7. # Estimate the joint probability distribution from marginal frequencies8. ;9. Di.M generate M samples from ;USER DEFINED CONSTANTS: STOPPING CRITERIAM: population sizeN: number of samples to be produced per generation VARIABLES:p: probability vector Di.M: solution vectorsEvaluation1.M: evaluations of the solution vectors作为替代,概率协会技术虽然保留了贝叶斯方法，然而分离了联系和更新阶段。联合概率数据关联过滤器(JPDAF)是贝叶斯方法最出名的多目标追踪器。它对概率的联合选择,然后使用它们来更新估计向量(组合复杂性与列举相关兼容和不兼容的情况)。常用包括多假说追踪器(MHTs)17的多扫描、多目标算法。这些扩展到多个帧搜索最好的假设关联,使用一个树开放的假设推迟分配决策,直到更多证据是可用的,并且保持一个最大数量的替代假设评估。数据关联算法收到广泛的关注的计算机视觉的社区。例如,JPDA滤波器应用于视觉3 维重建18。在19,里德的一个实现与视觉传感器MHT算法提出,但对象简化为点,没有考虑数据的问题联系。为了减少计算负荷的JPDA和MHT,解的计算复杂性一直提议:概率多假设跟踪(PMHT)算法20、人工神经网络、模糊系统21,和整数规划与拉格朗日松弛算法对于源任务,。D.状态向量估计技术1)卡尔曼滤波:卡尔曼滤波器22是其中的一个最受欢迎的跟踪技术来估计状态向量从可用的观测的器件。假设高斯分布对观察和预测过程和线性关系,方程(3)可以减少到一个直接递归更新第一和二阶参数的高斯分布。表II粒子滤波算法0. Initialisation: Generate samples . Set weightsW() = 1/N.For1. Prediction: from the motion model.2. Update: Compute theweights and normalisethem.3. Resample:Duplicate / eliminate samples with high / low weights and set.k = 1/N.回波,从而避免了计算的积分获得最优估计量。在卡尔曼滤波框架,它是假定状态变量可以通过一个线性模型功能,具有不确定性的特征参数随机变量qk(工厂噪声模型),xk + 1 = Fkxk + qk英寸的地方是转移矩阵和qk，其协方差矩阵,Qk。同样,观察的结果从一个线性操作状态变量受到高斯噪声nk和协方差矩阵给出了罗伯特-库比卡:zk = Hkxk + nk限制。在这些限制里,对卡尔曼滤波方程来计算出最佳估算xk是以下:预测: 更新: 2)粒子滤波:粒子滤波1,10、22,23是一个依赖重建的概率密度函数的方法。连续粒子滤波的目的是评估后pdf p(xk | Zk)的状态向量xk Rn ,给定一组传感器测量到时间kZ的。质量(重要)的th粒子(样品)的国家、x,测量体重相关。的伪代码描述的通用粒子滤波器(PF)跟踪算法是显示在表二。两个主要的阶段可以在粒子滤波阶段区分:预测和更新。在预测阶段,每个是修改根据状态模型的感兴趣区域的视频帧,包括微扰的粒子的状态根据运动模型.因此,为了状态计算使用，粒子的集合作为(9)基于似然(10)的测量和粒子权重。在这里,( )是狄拉克函数。因此使用粒子的集合作为状态计算x.一个根本性的问题粒子滤波器退化(此案当只有一个粒子有一个显著的体重)。一个重采样过程有助于避免这种通过消除颗粒小的重量和复制的颗粒较大的权重。在这部作品中,系统重采样方法24被使用。为了完整表示剩余的成分的跟踪算法,下文的运动和可能性模型按照他们的方式实现了工作。移动物体的运动是由随机建模步行模式,Fxk xk =1 + 1,有一个状态向量(xk,yk,xk,yk,sk)组成的像素坐标该地区的中心周围的对象和区域尺度sk。F是过渡矩阵解决是一个过程噪声假定为白色,高斯,协方差矩阵Q =诊断接头.的过程。正常的两个区域之间的距离不可食用的(参考地tk(当前区域),粒子被替换的似然函数,模拟作为一个指数: ,(10)在Dmin = minD(tref,tk).。这种光滑的可能性功能,尽管选择作者的经验1,已经被广泛应用于各种线索自从。巴氏距离D的通常被用于计算目标和参考对象之间的相似性,所描述的他们的颜色直方图 .(11)上面描述的PF跟踪是指单一目标场景和几种方法扩展这种技术处理多个物体的存在。显著的例子包括树莓6,联合贝叶斯滤波器提出了可变数量的目标,提高了PF25,基于演的组合技术和混合的粒子滤波器后pdf。 另一种方法,多目标跟踪与PFs是使用交互式追踪器26,8,即追踪者受到周围的目标和他们的运动。最大的缺点是,它们的复杂性共同追踪器呈指数增长的数量的跟踪目标。在另一方面,使用混合的PFs在25(和因此固定数量的粒子)结果在目标偷窃粒子从一个另一个,折中了跟踪精度。在这个工作过程,决定使用一个独立的粒子集合为每个目标,提出在7。过滤器造成这种方法是线性的复杂性数量的目标。这种方法的缺点是,跟踪器是容易错误当目标做互动时。四、实验在这一节中,我们提出一个性能分析和一个用应用实时跟踪多个视频目标的组合方法的比较(见部分三c1)和粒子滤波算法(见部分三c2)。此外,我们已经测试了一个连通分量(CC)跟踪算法27,它使用一个近邻策略确定blob跟踪任务。所有的方法都是初始化的描述的自动检测斑点在3 b,然而,一些关键的参数,比如一个数字的粒子(N = 100)和协方差的随机行走模型PF,必须预先确定的手动大范围的视频序列。描述的系统在这个工作中实现了微软Visual C + +,基于“视觉监视”算法融入开放源代码的计算机视觉库(OpenCV)28。系统进行了戴尔PE1950四核至强E5310 1.6 ghz / 2 x4mb 1066 fsb。我们对三种算法的性能进行了评价绩效评估与跟踪和监视(PETS)数据集129。通过(PETS)在众多场景,我们从这个PETS2002车间选择了一个时长一分钟的序列,底层的任务是跟踪行人在室内购物购物中心的视频序列。这个序列包含多个载波对象(行人),类似的形状和颜色到对方和一些元素出现在背景。这个数据集的结果从行人出现在一个宽范围的距离和角度对相机,因此引入形状缩放和扭曲。此外, 从背后一个商店橱窗里的现场记录,这部分反映了感兴趣的对象,从而创造虚假的对象。A.评价指标跟踪算法可以根据他们是否被评估生成正确的移动对象轨迹被评价。考虑其他重要的评估标准考虑能力来维持数量的目标在视频序列和可用性的最优解,使用成本函数最小建立对应3。在我们的工作,下面的指标被用在我们的比较中:a)铁轨每帧(TPF, std TPF):评估连续性的追踪。一个最优的跟踪结果在TPF被称为一个“理想的”和一个低标准偏差。TPF的低于“理想”表明,跟踪器失去连续性的歌曲(合并效应),反之,高于“理想”表明,该跟踪器油管流压有过多的歌曲(分裂效应)。b)失去了跟踪概率(LTP):它决定了概率失去一个跟踪在一个给定的帧。注意,这个措施也被用于30,等等。c)帧每秒(FPS):处理的速度图像的跟踪算法的速度;高值意味着一个算法需要计算的少。表III措施的质量的检测跟踪算法意味着锥度英尺(理想= 1.96) mean TPF(ideal=1.96)std TPF FPS LTPPF 1.8626 1.1681 2.58 0.0070UMDA 1.5981 0.8642 6.56 0.0093CC 1.4916 0.7839 9.39 0.0131b .结果与讨论结果的数值跟踪评价总结在表3。在表中，跟踪方法分数排序是根据递减TPF。它已经被确定先验的平均“理想”的锥度英尺序使用是1.96。根据TPF,所有的方法执行相对,PF算法是最准确的。注意因为TPF是一个“盲人”措施,即它不验证跟踪,TPF应采取考虑到随着其标准偏差标准锥度英尺和LTP测量。LTP度量结果在同一级别油管流压:为了降低质量:PF,UMDA,CC;LTP的CC是几乎两倍的LTP PF。值得注意的是,这两位最好的方法, PF和UMDA，有更大的stdTPF比CC表现得慢。在实时视频跟踪中一个重要的指标是速度，在图像处理的算法,测量的FPS指标。根据帧显示的结果表3,PF追踪需要更多的计算负荷,它反过来又降低了它的处理能力。为了进一步说明这一点,处理时间需要一个跟踪测量。在我们的模拟,平均为128.493 ms(毫秒)和7、277年分别获得PF和UMDA算法,。因此，可以得出结论,虽然比PF少精确的,UMDA跟踪器在多目标场景有一个更大的容量处理大量的轨道.最后, 基于他们的输出，我们比较了两大部分准确的追踪器的一些特性,。为了清楚地说明了我们的观点，我们都集中在跟踪一个的行人在片段的序列。图1和图2分别分离了PETS2002帧输出的PF和UMDA追踪器。其中的图形一个叠加的功能使用和UMDA PF追踪器(彩色图像和前景区域,分别)和跟踪区域轮廓。此外,一个二维投影生成的粒子的PF已被证明。最初一个的行人中出现的顺序被准确的跟踪两种方法(图1和2,(一)-(c)。然而,它可以被观察到的后续帧PF输出(图1(d)-(f),粒子成为吸引了其他两个行人,穿着类似的衣服。作为一个结果跟踪器失去行人。另一方面,UMDA跟踪器,尽管暂时合并两个目标帧图2(c),设法跟踪正确的行人。基于在我们的实验中获得的结果,它预计提高跟踪性能和减少计算负载将会实现的组合的UMDA和PF方法。 这两个追踪器使用补充信息:在PF，颜色信息是为了找到处理相似点与参考点之间关系的;而在组合方法中，blobto -跟踪联系受邻近的斑点检测到当前帧中。就像第四节所示, 虽然PF说最精确的测试, 当很相似目标存在，PF的可能会从UMDA的输出中受益。我们还发现, 当有丢失或暂时阻挡，PF追踪更适合在场景里的目标追踪。此外,由于组合方法是比PFs方法速度快,这种组合不会增加计算负载相当。相反,两种方法的适当的组合,可能导致一个低数量的粒子,从而减少所需的处理时间。工作在一个有效的组合两种方法将在未来通信报道里被报道。可能的混合策略被建议在第五部分。 Fig. 2. One pedestrian tracking results using UMDA algorithm 5、结论在本文中,我们调查了用组合和概率的方法实现实时视频跟踪多个目标,它们的优势和共同已被确定，包括它们的优点和补充。特定的问题是关心在有虚假或类似的彩色目标的场景里跟踪行人,这可能会相互作用或暂时阻挡。基于组合方法的跟踪方法, 包括连接组件和单变量边缘分布算法，被应用到视频序列。他们的性能与粒子滤波方法对比。跟踪结果表明,一般来说, 相比组合追踪器测试， PF跟踪比组合跟踪更准确地追踪,。另一方面,UMDA算法处理速度比PF快得多。此外, 当同样的颜色目标存在，一个可能的失败模式的PF已被确定。在获得的结果的过程中,这个调查表明改进的跟踪性能结合UMDA和PF方法可以达到,而没有的显著增加计算复杂性系统。我们正在开发混合策略,即一个上下文自适应系统确定哪些算法应该应用于现场的策略。另一个可行的解决方案包括熔化或选择追踪得到并行追踪器。然而,最吸引人的计算的观点是一个混合动力技术、整合组合算法的PF框架。在这样的方案,输出的组合算法将用于修改粒子及其权重,可能导致提高同时改进的跟踪性能和减少粒子所需数量。承认这部分工作由项目MADRINET,TEC2005-07186-C03-02, SINPROB, TSI2005-07344-C02-02引用1 P. Perez, J. Vermaak, and A. Blake, “Data fusion for tracking withparticles,” Proceedings of the IEEE, vol. 92, no. 3, pp. 495513, March2004.2 A. Hampapur, L. Brown, J. Connell, A. Ekin, N. Haas, M. Lu, H. Merkl,and S. Pankanti, “Smart video surveillance: Exploring the concept ofmultiscale spatiotemporal tracking,” IEEE Signal Processing Magazine,vol. 22, no. 2, pp. 3851, March 2005.3 A. Yilmaz, O. Javed, and M. Shah, “Object tracking: A survey,” ACMComput. Surv., vol. 38, no. 4,p. 13, 2006.4 M. Han, W. Xu, H. Tao, and Y. Gong, “An algorithm for multipleobject trajectory tracking,”Proceedings of the IEEE Computer SocietyConference on Computer Vision and Pattern Recognition, CVPR 2004,vol. 01, pp. 864871, 2004.5 J. MacCormick and A. Blake, “A probabilistic exclusion principle fortracking multiple objects,”Int. J. Comput. Vision, vol. 39, no. 1, pp.5771, 2000.6 M. Isard and J. Maccormick, “BraMBLe: a Bayesian multiple-blob tracker,” in Computer Vision, 2001. ICCV 2001. Proceedings. Eighth IEEE International Conference on, vol. 2, 2001, pp. 3441 vol.2.7 Y. Cai, N. de Freitas, and J. Little, “Robust visual tracking for multiple targets,” in In Proc. of European Conference on Computer Vision, 2006, pp. IV: 107118.8 W. Qu, D. Schonfeld, and M. Mohamed, “Real-time distributed multiobject tracking using multiple interactive trackers and a magnetic-inertia potential model,” IEEE Transactions on Multimedia, vol. 9, no. 3, pp. 511519, April 2007.9 K. Shearer, K. D. Wong, and S. Venkatesh, “Combining multiple tracking algorithms for improved general performance,” Pattern Recognition, vol. 34, no. 6, pp. 12571269, Jun. 2001.10 M. Arulampalam, S. Maskell, N. Gordon, and T. Clapp, “A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking,”IEEE Trans. on Signal Proc., vol. 50, no. 2, pp. 174188, 2002.11 K. Nummiaro, E. Koller-Meier, and L. V. Gool, “A color based particle filter,” in First International Workshop on Generative-Model-Based Vision. A.E.C. Pece, 2002.12 P. Brasnett, L. Mihaylova, D. Bull, and N. Canagarajah, “Sequential Monte Carlo tracking by fusing multiple cues in video sequences,” Image Vision Comput., vol. 25, no. 8, pp. 12171227, 2007.13 A. Loza, L. Mihaylova, D. R. Bull, and C. N. Canagarajah, “Structural similarity-based object tracking in multimodality surveillance videos,” Machine Vision and Applications, 2008 (in press doi:10.1007/s00138-007-0107-x).14 M. A. Patricio, J. Garcia, A. Berlanga, and J. M. Molina, “Video tracking association problem using estimation of distribution algorithms in complex scenes.” in IWINAC (2), ser. Lecture Notes in Computer Science, J. Mira and J. R. Alvarez, Eds., vol. 4528. Springer, 2007, pp.261270.15 H. Muhlenbein, “The equation for response to selection and its use forprediction.” Evolutionary Computation, vol. 5, no. 3, pp. 303346, 1997.16 M. J. A. Strens and I. N. Gregory, “Tracking in cluttered images,” Image and Vision Computing, vol. 21, no. 10, pp. 891911, Sep. 2003.17 S. S. Blackman and R. Popoli, Design and Analysis of Modern Tracking Systems. Artech House, INC., 1999.18 Y. Chang and J. Aggarwal, “3-D structure reconstruction from an ego motion sequence using statistical estimation and detection theory,” in Proc. IEEE Workshop on Visual Motion, 1991, pp. 268273.19 I. J. Cox and S. L. Hingorani, “An efficient implementation of reids multiple hypothesis tracking algorithm and its evaluation for the purpose of visual tracking,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 18, no. 2, pp. 138150, 1996.20 Y. Ruan and P. Willett, “Multiple model PMHT and its application to the benchmark radar tracking problem,” IEEE Transactions on Aerospace and Electronic Systems, vol. 40, no. 4, pp. 13371350, October 2004.21 J. Garca, J. M. Molina, J. A. Besada, and J. I. Portillo, “A multitarget tracking video system based on fuzzy and neuro-fuzzy techniques,” EURASIP Journal on Applied Signal Processing, vol. 14, pp. 2341235