粒子滤波在图像跟踪领域的实践

前言

原文首发于微信公众号「3D视觉工坊」。
    前两天在GitChat上总结了自己当初研究粒子滤波跟踪时的一些经验与总结：传送门。 此处对部分章节略有删改，整理如下。

粒子滤波与卡尔曼滤波的介绍

卡尔曼滤波

    卡尔曼滤波可以根据一些已知的量来预测未知的量，这些量受到干扰必须得近似高斯噪声。这个东西可以用来干什么呢？例如我们可以用来预测明天，后天，未来好几天的温度。我们可以在前几天用温度计记录下一系列的温度数据作为我们未来预测的参考数据之一，然后我们根据一年四季的温度变化作为参考数据之二，我们给这两个参考数据各加一个权重综合起来预测未来的温度。如果前几天记录下来的数据与真实温度很切合（毕竟温度计也是有误差），我们就把它的权重加大。用这个方法卡尔曼先生对近期未来的数据预测还是很精确的，只要我们的数据只收到高斯噪声的干扰。

    关于 kalman 滤波器详细的推导过程，如果有兴趣者，可以参考以下一篇论文，这篇论文中对 kalman 滤波器的推导过程做了详细地推导说明。参考论文：《Understanding the Basis of the Kalman Filter Via a Simple and In