粒子滤波学习总结

粒子滤波是在贝叶斯滤波的基础上，结合蒙特卡洛方法实现递推后验概率。对于一般的线性高斯系统有比较好的效果，但是对于一般的非线性非高斯系统，贝叶斯滤波效果并不好。所以引入蒙特卡洛方法，蒙特卡洛方法简单来说就是通过大量的随机样本，去了解一个系统，进而得到所要计算的值。再引入蒙特卡洛方法后相应也伴随着一些问题，粒子滤波就是在这样不断地优化中产生的。

粒子滤波
我们在用粒子滤波进行目标跟踪的时候，现在主要应用是单目标跟踪，在移动目标上用鼠标选取要跟踪的区域，再计算目标区域的颜色直方图作为目标模板便于后面跟踪时的匹配。这是Rob Hess实现粒子滤波的形式，但他的代码找不到了，好多链接都失效了。以下就讨论粒子滤波（SIR粒子滤波）的一般流程。

目标模型
在视频的初始帧上选定跟踪区域，计算跟踪区域的颜色直方图（RGB或HSV），得到目标模板。用颜色直方图做目标模板是比较简单的一种实现形式，但是当被跟踪的目标区域与背景的颜色相近时，跟踪效果往往不太好。为增强颜色分布的可靠性，对离目标中心较远的像素赋予较小的权值。

运动模型
定义采样样本，每个粒子运动模型为s={x,y,vx,vy,Hx,Hy}，其中x，y是中心位置，vx和vy是粒子在x、y方向上的运动速度，Hx和Hy表示选定区域的宽和高。

SIR粒子滤波
1、根据先验信息初始化粒子状态分布，设置目标特征的初始权重系数。
2、重要性采样
3、权值更新====>更新每个粒子的权重系数
4、根据当前的粒子分布，在更新特征对应的权重系数
5、重采样
6、状态估计

---

下面是几张简图：

---

相关资料：
粒子滤波的相关文献下载
【目标跟踪】基于粒子滤波算法的目标跟踪：Rob Hess源码分析
基于粒子滤波器的目标跟踪算法及实现
极大似然估计与贝叶斯估计
卡尔曼滤波 – 从推导到应用
基于粒子滤波的物体跟踪