轉(zhuǎn)自http://www.cnblogs.com/cfantaisie/archive/2011/06/16/2082267.html 粒子濾波實現(xiàn)物體跟蹤的算法原理：

1）初始化階段-提取跟蹤目標(biāo)特征

該階段要人工指定跟蹤目標(biāo)，程序計算跟蹤目標(biāo)的特征，比如可以采用目標(biāo)的顏色特征。具體到Rob Hess的代碼，開始時需要人工用鼠標(biāo)拖動出一個跟蹤區(qū)域，然后程序自動計算該區(qū)域色調(diào)(Hue)空間的直方圖，即為目標(biāo)的特征。直方圖可以用一個向量來表示，所以目標(biāo)特征就是一個N*1的向量V。

2）搜索階段-放狗

好，我們已經(jīng)掌握了目標(biāo)的特征，下面放出很多條狗，去搜索目標(biāo)對象，這里的狗就是粒子particle。狗有很多種放法。比如，a)均勻的放：即在整個圖像平面均勻的撒粒子(uniform distribution)；b)在上一幀得到的目標(biāo)附近按照高斯分布來放，可以理解成，靠近目標(biāo)的地方多放，遠(yuǎn)離目標(biāo)的地方少放。Rob Hess的代碼用的是后一種方法。狗放出去后，每條狗怎么搜索目標(biāo)呢？就是按照初始化階段得到的目標(biāo)特征(色調(diào)直方圖，向量V)。每條狗計算它所處的位置處圖像的顏色特征，得到一個色調(diào)直方圖，向量Vi，計算該直方圖與目標(biāo)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)).每條狗算出相似度后再做一次歸一化，使得所有的狗得到的相似度加起來等于1.

3）決策階段

我們放出去的一條條聰明的狗向我們發(fā)回報告，“一號狗處圖像與目標(biāo)的相似度是0.3”,“二號狗處圖像與目標(biāo)的相似度是0.02”,“三號狗處圖像與目標(biāo)的相似度是0.0003”,“N號狗處圖像與目標(biāo)的相似度是0.013”...那么目標(biāo)究竟最可能在哪里呢？我們做次加權(quán)平均吧。設(shè)N號狗的圖像像素坐標(biāo)是(Xn,Yn),它報告的相似度是Wn,于是目標(biāo)最可能的像素坐標(biāo)X = sum(Xn*Wn),Y = sum(Yn*Wn).

4）重采樣階段Resampling

既然我們是在做目標(biāo)跟蹤，一般說來，目標(biāo)是跑來跑去亂動的。在新的一幀圖像里，目標(biāo)可能在哪里呢？還是讓我們放狗搜索吧。但現(xiàn)在應(yīng)該怎樣放狗呢？讓我們重溫下狗狗們的報告吧。“一號狗處圖像與目標(biāo)的相似度是0.3”,“二號狗處圖像與目標(biāo)的相似度是0.02”,“三號狗處圖像與目標(biāo)的相似度是0.0003”,“N號狗處圖像與目標(biāo)的相似度是0.013”...綜合所有狗的報告，一號狗處的相似度最高，三號狗處的相似度最低，于是我們要重新分布警力，正所謂好鋼用在刀刃上，我們在相似度最高的狗那里放更多條狗，在相似度最低的狗那里少放狗，甚至把原來那條狗也撤回來。這就是Sampling Importance Resampling，根據(jù)重要性重采樣(更具重要性重新放狗)。

(2)->(3)->(4)->(2)如是反復(fù)循環(huán)，即完成了目標(biāo)的動態(tài)跟蹤。

　　粒子濾波的核心思想是隨機(jī)采樣+重要性重采樣。既然我不知道目標(biāo)在哪里，那我就隨機(jī)的撒粒子吧。撒完粒子后，根據(jù)特征相似度計算每個粒子的重要性，然后在重要的地方多撒粒子，不重要的地方少撒粒子。所以說粒子濾波較之蒙特卡洛濾波，計算量較小。這個思想和RANSAC算法真是不謀而合。RANSAC的思想也是(比如用在最簡單的直線擬合上)，既然我不知道直線方程是什么，那我就隨機(jī)的取兩個點(diǎn)先算個直線出來，然后再看有多少點(diǎn)符合我的這條直線。哪條直線能獲得最多的點(diǎn)的支持，哪條直線就是目標(biāo)直線。想法非常簡單，但效果很好。

轉(zhuǎn)載于:https://www.cnblogs.com/yingying0907/archive/2011/10/22/2221527.html

總結(jié)

以上是生活随笔為你收集整理的粒子滤波实现物体跟踪的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。