视频目标跟踪算法

在室内移动机器人的应用中，有时候采用粒子滤波算法进行自定位（听同学讲的，我也不懂啦）。
非常专业、非常学院派的说法是——粒子滤波是通过非参数化的蒙特卡洛模拟方法来实现递推贝叶斯滤波。作为一个机械专业的小白，我花了大量精力理解这句话，好不容易混到一知半解的程度，可惜隔两个天又混沌了。
不过，从代码出发的话，好理解多了。csdn也有一些帮助理解的文章。

/*****************************************************************************************************

     关于粒子滤波，一开始我试图看书看文献，失败了。这次重新捡起。
我对粒子滤波的理解：
    1. 如何让目标寻找更有方向性？
        （1） 每次都随机、均匀的选取一些区域，和目标区域比较，选择最相似的。
        （2） 上述（1）方法还是慢，那就不随机的选取区域，就在上次求解出来的目标附近来随机选取一些区域，选择最相似的。
    2. 上述1（2）中的方法比较靠谱，看看粒子滤波是怎么具体实现的。
        （1）人工手动选择目标区域（当然牛逼的可以采用自动识别的方式），并基于HSV或RGB颜色空间，建立目标区域的特征。
        （2）撒粒子，也就是选择一些区域了，后面要用这些粒子和目标区域比较呢。 但怎么撒呢？ 就是利用状态转移方程预测一下
        粒子的位置，以预测的位置为中心，按高斯分布来撒。
                状态转移方程又是什么呢？ 具体在本文中，就是用前两帧的粒子位置，来预测当前的粒子位置。
        （3）粒子撒完了，就和目标比对呗。根据比对的相似性，给每个粒子赋一个权重。
        （4）粒子也撒了，权重也算了，那目标到底会在哪呢？ 可以认定权重最大的粒子为跟踪目标的位置，
        也可以认定所有粒子的加权平均（期望）为目标位置。
        （5）over。

原文链接 http://www.cnblogs.com/tornadomeet/archive/2012/03/18/2404817.html
我对原文代码的主要修改：
    （1）从可读性的角度，做了些修改和注释。
    （2）删除了qsort排序算法
    （3）原文显示跟踪结果的代码，位置不对，应该在重采样之前。

        注：本算法的跟踪效果无遮挡等情况下较好。
****************************************************************************************************/

#include <opencv2/imgproc/imgproc.hpp>  
#include <opencv2/core/core.hpp>        // Basic OpenCV structures (cv::Mat, Scalar)
#include <opencv2/highgui/highgui.hpp>  // OpenCV window I/O
#include<opencv2/opencv.hpp>
using namespace cv;


Rect select_rect;           //鼠标选定的目标区域
bool tracking = false;  //为true时，跟踪算法开始计算（其值由鼠标相应事件决定）
bool select_show = false;   //为true后，显示目标选定框（其值由鼠标相应事件决定）

Mat frame, hsv_mat; 
int frame_count = 0;//选择矩形区域完后的帧计数

/****hsv空间用到的变量****/
int hist_size[] = { 16, 16, 16 };   // 三通道的bins
float hrange[] = { 0, 180};
float srange[] = { 0, 255};
float vrange[] = { 0, 255};
const float *ranges[] = { hrange, srange, vrange };
int channels[] = { 0, 1, 2 };       //计算直方图函数的 传入参数

/****有关粒子窗口变化用到的相关变量****/
int A1 = 2, A2 = -1, B0 = 1;