【图像跟踪】贝叶斯估计基础

贝叶斯估计基础

跟踪问题可以看作是贝叶斯估计问题，用下图模型表示。

图中$x_i$和$y_i$分别表示第$i$时刻的目标$\color{red}{状态}$和$\color{green}{观测}$。
从贝叶斯估计的角度看，跟踪问题就是从所有历史观测数据$y_{1:k}=\{ y_1,\cdots,y_k \}$中推导出$k$时刻状态$x_k$的值，即估计后验概率$p(x_k|y_{1:k})$。
假设状态变量初始概率密度函数作为先验知识已知，那么$p(x_k|y_{1:k})$可以通过以下两式递推得到：

$$p({x_k}|{y_{1:k - 1}}) = \int {p({x_k}|{x_{k - 1}})p({x_{k - 1}}|{y_{1:k - 1}})d{x_{k - 1}}} \text{（预测方程）}\tag{1}$$

$$p({x_k}|{y_{1:k}}) = {{p({x_k} \cdot {y_{1:k}})} \over {p({y_{1:k}})}} = {{p({x_k} \cdot {y_k}|{y_{1:k - 1}})} \over {p({y_k}|{y_{1:k - 1}})}} = {{p({y_k}|{x_k})p({x_k}|{y_{1:k - 1}})} \over {p({y_k}|{y_{1:k - 1}})}} \text{（更新方程）}\tag{2}$$

式中${p({x_k}|{x_{k - 1}})}$由目标的运动状态方程定义，${p({y_k}|{x_k})}$则由目标的观测方程定义，${p({y_k}|{y_{1:k - 1}})}$则为归一化常数，具有如下形式：

$$p({y_k}|{y_{1:k - 1}}) = \int {p({y_k}|{x_k})p({x_k}|{y_{1:k - 1}})d{x_k}} \tag{3}$$

公式（1）和公式（2）共同构成了最优贝叶斯估计的基础。