贝叶斯跟踪

最新推荐文章于 2025-11-04 18:32:02 发布

原创

最新推荐文章于 2025-11-04 18:32:02 发布 · 3k 阅读

7 ·

CC 4.0 BY-SA版权

本文探讨了马尔科夫假设在贝叶斯跟踪中的应用，指出第一假设是过去状态和观测对当前状态无影响，仅受前一帧影响；第二假设是当前观测仅与当前状态相关。通过介绍贝叶斯推断过程，作者分享了一个基于Python的示例代码，可在GitHub仓库https://github.com/fly-duck/Bayesian-tracking-中查看。

第一个马尔科夫假设就是过去的状态和观测对我当前的状态是没影响的，只有前一帧的状态和控制对我有影响

第二个马尔科夫假设就是现在的观测只跟现在的状态相关。

这是一个贝叶斯推断的过程，然后按照图片写了python一个小示例

import random

#the following is generative model :

image_staircase=[]

image_no_staircase=[]




# for i in range(10):

# image_staircase.append(round(random.random(),2))

for i in range(10):

image_staircase.append(abs(