粒子滤波跟踪

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

代码分析：http://blog.csdn.net/hujingshuang/article/details/45535423

测试过Rob Hess写的粒子滤波跟踪算法，效果不如opencv带的KCF跟踪算法。

粒子滤波其实有很多变种，Rob Hess实现的这种应该是最基本的一种，Sampling Importance Resampling (SIR)，根据重要性重采样.

基本原理： 例如Rob Hess的粒子滤波

1）初始化阶段-提取跟踪目标特征

a.手动框选目标；

b.计算该区域色调(Hue)空间的直方图，即为目标的特征。直方图可以用一个向量来表示; (将其从BGR转化到HSV空间，提取感兴趣部分（目标）的HSV)

2) 搜索阶段-放狗

a.在上一帧得到的目标附近按照高斯分布来放狗，可以理解成，靠近目标的地方多放，远离目标的地方少放；

b.每条狗计算它所处的位置处图像的颜色特征，得到一个色调直方图，向量Vi，计算该直方图与目标直方图的相似性。相似性有多种度量，最简单的一种是计算sum(abs(Vi-V)).每条狗算出相似度后再做一次归一化，使得所有的狗得到的相似度加起来等于1.

3）决策阶段

目标究竟最可能在哪里呢？我们做次加权平均吧。设N号狗的图像像素坐标是(Xn,Yn),它报告的相似度是Wn,于是目标最可能的像素坐标X = sum(Xn*Wn),Y = sum(Yn*Wn).

4）重采样阶段Resampling

.综合所有狗的报告，一号狗处的相似度最高，三号狗处的相似度最低，于是我们要重新分布警力，正所谓好钢用在刀刃上，我们在相似度最高的狗那里放更多条狗，在相似度最低的狗那里少放狗，甚至把原来那条狗也撤回来。这就是Sampling Importance Resampling，根据重要性重采样(更具重要性重新放狗)。

缺点：

       但该算法需要用大量的样本数量才能很好地近似系统的后验概率密度，当面临的环境越复杂，描述后验概率分布所需要的样本数量就越多，算法的复杂度就越高。

优点：

    算法的特点是跟踪速度特别快，而且能解决目标的部分遮挡问题，在实际工程应用过程中越来越多的被使用。

运动目标跟踪算法综述http://www.cnblogs.com/zjb0823/p/3806333.html

https://sanwen8.cn/p/2f4KThy.html （对比）