粒子滤波初探（一）利用粒子滤波实现视频目标跟踪的大致流程

粒子滤波初探

---

对于线性、高斯分布的运动模型，有卡尔曼滤波，那么对于非线性、非高斯的运动模型，粒子滤波器发挥出其优越性，主体思想是通过大量试验，对正确的试验状态予以适当的权重分配，从而实现根据权重增加的方向实现跟踪。

本文与其他描述粒子滤波的博文不同，先以例子引入，让初步了解的人对粒子滤波有一个大致认识。

以视频的目标跟踪为例，解说一下这个粒子滤波跟踪流程。

 一、t-1时刻下：假定我们有这么一个视频

二、我们来初始化这个粒子滤波器

• 使上面的屏幕布满粒子
• 初始化每个粒子的权重

 

三、如果视频中有个人，而且被我们框定作为目标

• 在利用重要性采样计算粒子权重之前，要记住这时候的粒子还是布满整个屏幕的，而且权重一样

 

四、更新权重

• 这时候，由于我们有了目标，就可以去计算粒子的权重了（我们暂时不去了解如何计算新的权重，反正粒子附近的图像与我们框定的图像内容越相似，其得到的更新权重就越高【想要了解的可看下一篇《粒子滤波初探（二）利用粒子滤波实现视频目标跟踪工程实战》的步骤四】）
• 下图中，颜色越鲜艳的代表该粒子权重越大

五、重采样

• 接下来，很自然的想到，舍弃权重较小的粒子，但是为了维持粒子数不变，自然是要增加一些粒子，这就是重采样
• 于是有了下图
• 粒子群集中到我们框定的目标

 

六、然后，根据现在的权重分配及给定的状态转移矩阵，预测（生成）出下一时刻即t时刻粒子群的位置

• 假定预测的结果是这个样子

以上都是t-1时刻下操作

 

七、进入t时刻（我以视频边框*2表示）

• 假定我们的人已经走到这个位置
• 下面4张图，上面两张是t-1时刻下的，下面两张是t时刻的
• 左下是我们的行人移动的位置
• 右下是我们的行人和t-1时刻预测出来的t时刻的粒子位置
• 从右下图可见，我们的预测貌似偏了一些，没关系，下一步将重新计算粒子的权重

 

八、更新权重

• 跟第四步一样，我们以t-1时刻下我们手动标注的橙色框为目标，重新更新我们粒子的权重
• 粒子还是那些粒子，只不过权重发生变化

九、重采样&&提取位置

• 重采样：去除权重低的粒子，复制权重高的粒子
• 根据重采样后的粒子分布，可以获取大致的目标位置，也就是我们跟踪的成果，如右下图蓝框

 十、更新目标

• 这里已经是t时刻的末端：
• 我们以此刻蓝框的内容作为我们的目标，以便t+1时刻用以更新粒子权重
• 我们以粒子群从t-1时刻到t时刻重采样后（即从橙色框移动到蓝色框的运动方向），作为粒子群下一次运动方向的依据，预测（生成）出t+1时刻粒子群的位置，接下来的步骤同第六步
• 到这里，t时刻结束，进入t+1时刻

到这里，一共十步，大致把这个粒子滤波的目标跟踪流程理了一遍。

---

下一篇：粒子滤波初探（二）利用粒子滤波实现视频目标跟踪工程实战 ，有可运行代码，是个人根据几位先驱做作出的努力翻译到opencv2.49下的，并做出了一些修正，希望各位指出不足和作出修正

---

参考资料：

https://blog.csdn.net/guoyunlei/article/details/78183530

https://blog.csdn.net/gwplovekimi/article/details/80359512

https://blog.csdn.net/yang_xian521/article/details/6928131

http://www.cnblogs.com/yangyangcv/archive/2010/05/23/1742263.html