关节参数依赖于肩膀关节参数）时，这种方法是非常危险的，所以平行估计是无效的甚至会导致错误估计(Bandouch et al. 2008)。一种评估高维状态的替代方法是将状态空间
分成几部分
，然后按照人体
的分层结构（如躯干，左上臂，左下臂，等）循序评估。当分层后一个部分的动态不影响之前部分的动态时，这种方法是有效的，并且每部分的局部权重函数可以分别评估。Fig 10说明这种算法叫做分块抽样（PS）(Mac-Cormick and Isard 2000)。尽管MacCormickand Blake ( 2000)最初提出了一种权重抽样的操作，分块抽样实际上被视为SIR滤波的有顺序的连续序列（Fig 11）当使用重要性重采样与局部更新步骤合并时，二者是等价的。
Fig 10 分块抽样的一个时步。每个部分使用重抽样，预测和升级模式与SIR粒子滤波（Fig 7）相同方法进行估计。但是每个部分的预测和升级是局部的，即，只有状态空间与现在的部分
相对的部分被评估。粒子集通过顺序穿过所
有部分进化到新的粒子集。部分的顺序按照运动优先关系排列。
Fig 11分块抽样对照顺序连接SIR滤波的简单呈现。每一块的粒子数N是变化的。
16 / 47
4.4 支迭代分层抽样
分块抽样是一种克服高维跟踪时需要指数增长的粒子的有效工具。通过将搜索空间分离成易处理的块，粒子增长可控制在线性范围。缺点是为易于使用SIR滤波处理，分块必须足够小，这时可能产生疑问比如躯干必须分离成几块。并且，早期迭代产生的错误会没有修复机会一直传播，当使用不精确人体模型像柱形近似类的模型时，这样的问题尤其突出。
解决这个问题的一个好的方法是将PS中局部SIR滤波改变为分层退火粒子滤波。这样增加了每块的潜在尺寸，并有助于避免早期迭代的抽样错误。我们已经证明了迭代分层抽样（IHS）策略在仿真工作表现极好（Bandouch et al.2008），尽管观察到的噪声数据（如前景图中手臂部分丢失）仍会导致错误输出（Fig 13）。作为解决办法，我们建议平行评估几个分区方案。通过串联几个产生的粒子集，完成最终的升级步骤，这对应于给最好的分块方案隐式投票。（Fig 14）。这个想法最开始由MacCormick and Blake ( 2000)出版，作为支分块抽样用于遮挡处理和多目标跟踪，来确保未被遮挡的目标将被首先评估。我们将我们的合并算法叫做支迭代分层抽样（BIHS）。
Fig 14支迭代分层抽样（BIHS）。当评估顺序是任意的（如 先左腿然后右腿或相反），粒子评估可以分离成平行管道，然后只要评估部分是相同的情况下，就可以重新连接在一起。最终的升级步骤正如给最好的分块策略投票。 几个兼容部分的平行评估是一种强大的手段来绕开观察中出现噪声数据的问题。开采状态空间时，产生的粒子多样性在避免权重函数陷入局部极大值时起关键作用。
现在我们为人体姿势跟踪提出了一个有意义的分块策略，但我们限制自己对下半部分身体跟踪。扩展到全身是简单明了的。在我们的实验中，我们发现最好以
17 / 47
对全状态空间进行退火粒子滤波分块开始，标记为APF()。实验结果显示躯
干经过较少迭代后已有了很好的估计，手臂仍处于坏的估计。下半部分身体分支成以下5个方案来估计，先分成四个最小块：左上（右下（
）:
）,右上（
）,左下（
），
分块的维度越大，相应的内部框架动作极限越大，所需要的迭代次数越多，所需用到的粒子数也越多。
理论上，分层策略可以按照力量集合
对应
的最小有意
义的分区集合）这里每个在每个分支中严格出现一次，不能违反等级优先
关系。尽管，随着最小分层的数目K不断增大，将会出现非常多的方案，但实践中仅可选择其中的一个子集。我们的实验中身体上半部分和下半部分各使用了5个平行分层。
五、隐式环境模型
在4.1节中我们简要介绍了我们的基于形状的观察模型，前景掩模姿势状态的模型投影掩模
与现在
相比较（Fig 8）。一旦场景变成动态的或目标与
中肯能
环境有了交互，这样的观察模型容易出现错误。在这样的例子中，
包含环境的动态部分加上人体目标。另外，由于环境遮挡，中 可能只包含人体目标的一部分。
我们建议使用分层环境模型解决人体与动态环境交互作用的问题。这是简单的2D模型，能够暗含图像平面中的闭塞和动态区域。为达到这个效果，我们为人体模型加入简单的基于颜色的外观模型。每个表面 三角与一个颜色分布相联系（Fig 15）。这一步可以在初始化阶段完成，也可以在跟踪过程中调试。目前为止，我们使用颜色信息仅用来区分前景和背景。在我们将呈现的环境模型中，我们使用颜色信息区分不同形状的前景（即人体或动态目标）。环境模型的分层结构使这个模型可以在实践中快速简单的应用，不需要关于环境的精确3D模型。
18 / 47
Fig 15 加入 外观（颜色）信息的人体模型 例子。
为处理动态非人体前景目标和环境遮挡的例子，在观察模型中我们引进了一个新的二进制掩模
，用来限制处理区域，为所有应该被处理的像素置 （1）
限制的区域置（0）。使用公式2评估形状错误率前，通过比较前景掩模
和投影掩模
的相应部分完成区域锁定。
屏蔽区域的滤除通过屏蔽掩模分别与和进行逻辑与运算完成。
Fig 16 展示了一个桌子遮挡的例子来说明这个原则。作为结果，图像平面中的屏蔽区域在
和
中移除了。
和
中在这些屏蔽区域中的不同点没
有被添加到形状错误中，当包含了不恰当的前景侦测后（如动态目标），这
些区域也不会用来进行不恰当的模型预测。
19 / 47
Fig.16 闭锁分层的原则：（a）原始摄像图像（上）和相应被桌子挡住的屏蔽掩模
（下）（b）通过与操作，阻挡层从前景掩模
（上）和投影掩模
（下）中均被移除，这样，计算形状错误（公式2）时，屏蔽掩模（黑）
有效的被忽略了。
我们 将展示 如何使用这些闭锁层来过滤动态非人体前景目标，以及在闭塞模型中他们如何起作用。接下来将用到如下概念：
动态非人体前景目标 动态目标（可能是人操纵的目标）或者环境的动态部分（门，柜橱，抽屉）出现在前景掩模中，与人体剪影混在一起。为过滤这些部分，我们引进了一种人体外观掩模
，当像素颜色与我们的外观模型颜色相似的时
候建立的。将颜色值离散成16比特。，使用二进制表可高效计算这样一种掩模。外观模型升级的时候二进制表也相应升级。然后将非人体部分从前景掩模IF 中移除，并使用如下运算将其添加到屏蔽掩模IB 公式（7）（8）如下
这里，DIFF与像素差运算符
一致，NOT逆转运算
一致。将非人体部分
加入到屏蔽区域是十分必要的，因为我们不知道是否动态目标是人和物相互遮挡的部分，并减弱了对人体部分错误移除的影响。Fig17给出了这些简单运算有效性的例子。
环境闭塞 环境中的固定目标与观察对象有了部分相互遮挡（如桌子 椅子）。既然没有空间持续有序，目标也可能被主体遮挡。我们通过移动屏蔽掩模IB，将遮挡候选区域做上标记（如桌子）。设置摄像机过程中这些工作就需要完成，通过选择一个多边形区域作为考虑对象，用户可以在几秒钟内完成。评估过程中这样的区域被设置缺省值忽略。为避免对人体目标部分的有效观察被屏蔽，如，当
20 / 47