1）初始化階段-提取跟蹤目標特徵
該階段要人工指定跟蹤目標，程式計算跟蹤目標的特徵，比如可以採用目標的顏色特徵。具體到rob hess的**，開始時需要人工用滑鼠拖動出乙個跟蹤區域，然後程式自動計算該區域色調(hue)空間的直方圖，即為目標的特徵。直方圖可以用乙個向量來表示，所以目標特徵就是乙個n*1的向量v。
2）搜尋階段-放狗
好，我們已經掌握了目標的特徵，下面放出很多條狗，去搜尋目標物件，這裡的狗就是粒子particle。狗有很多種放法。比如，a)均勻的放：即在整個影象平面均勻的撒粒子(uniform distribution)；b)在上一幀得到的目標附近按照高斯分布來放，可以理解成，靠近目標的地方多放，遠離目標的地方少放。rob hess的**用的是後一種方法。狗放出去後，每條狗怎麼搜尋目標呢？就是按照初始化階段得到的目標特徵(色調直方圖，向量v)。每條狗計算它所處的位置處影象的顏色特徵，得到乙個色調直方圖，向量vi，計算該直方圖與目標直方圖的相似性。相似性有多種度量，最簡單的一種是計算sum(abs(vi-v)).每條狗算出相似度後再做一次歸一化，使得所有的狗得到的相似度加起來等於1.
3）決策階段
我們放出去的一條條聰明的狗向我們發回報告，「一號狗處影象與目標的相似度是0.3」,「二號狗處影象與目標的相似度是0.02」,「三號狗處影象與目標的相似度是0.0003」,「n號狗處影象與目標的相似度是0.013」…那麼目標究竟最可能在**呢？我們做次加權平均吧。設n號狗的影象畫素座標是(xn,yn),它報告的相似度是wn,於是目標最可能的畫素座標x = sum(xnwn),y = sum(ynwn).
4）重取樣階段resampling
從meanshift目標跟蹤到粒子濾波
在初學均值漂移演算法的時候，有個總體印象，就是演算法希望通過尋找密度最大的位置作為收斂位置，用白話講，其實就是要找乙個區域內的重心而已，這個重心為什麼不是區域的所有粒子的平均呢？因為每個粒子還帶個權重，這個權重我們用物理力學中的重心公式想想就明白，權重代表每個粒子對重心的貢獻程度，那麼，做個最極端的...
粒子濾波在目標跟蹤的應用
一直都覺得粒子濾波是個挺牛的東西，每次試圖看文獻都被複雜的數學符號搞得看不下去。乙個偶然的機會發現了rob hess 實現的這個粒子濾波。從 入手，一下子就明白了粒子濾波的原理。根據維基百科上對粒子濾波的介紹 粒子濾波其實有很多變種，rob hess實現的這種應該是最基本的一種，sampling i...
粒子濾波目標跟蹤原理（不帶公式）
參考 1.基本思想 粒子濾波本質上是一種表示概率分布的方法，思想和蒙特卡洛方法近似。蒙特卡洛方法是用頻率來近似概率，而粒子濾波方法中是使用粒子分布的密集程度來近似表示概率分布，這種方法可以形象的表示為向乙個帶磁力的平面拋灑鐵粉，磁力大 概率大 的地方鐵粉就比較密集。同樣的，如果粒子帶權重的話，也可以...