粒子滤波学习总结

xiaoxiao2021-02-28  19

粒子滤波是在贝叶斯滤波的基础上,结合蒙特卡洛方法实现递推后验概率。对于一般的线性高斯系统有比较好的效果,但是对于一般的非线性非高斯系统,贝叶斯滤波效果并不好。所以引入蒙特卡洛方法,蒙特卡洛方法简单来说就是通过大量的随机样本,去了解一个系统,进而得到所要计算的值。再引入蒙特卡洛方法后相应也伴随着一些问题,粒子滤波就是在这样不断地优化中产生的。

粒子滤波 我们在用粒子滤波进行目标跟踪的时候,现在主要应用是单目标跟踪,在移动目标上用鼠标选取要跟踪的区域,再计算目标区域的颜色直方图作为目标模板便于后面跟踪时的匹配。这是Rob Hess实现粒子滤波的形式,但他的代码找不到了,好多链接都失效了。以下就讨论粒子滤波(SIR粒子滤波)的一般流程。

目标模型 在视频的初始帧上选定跟踪区域,计算跟踪区域的颜色直方图(RGB或HSV),得到目标模板。用颜色直方图做目标模板是比较简单的一种实现形式,但是当被跟踪的目标区域与背景的颜色相近时,跟踪效果往往不太好。为增强颜色分布的可靠性,对离目标中心较远的像素赋予较小的权值。

运动模型 定义采样样本,每个粒子运动模型为s={x,y,vx,vy,Hx,Hy},其中x,y是中心位置,vx和vy是粒子在x、y方向上的运动速度,Hx和Hy表示选定区域的宽和高。

SIR粒子滤波 1、根据先验信息初始化粒子状态分布,设置目标特征的初始权重系数。 2、重要性采样 3、权值更新====>更新每个粒子的权重系数 4、根据当前的粒子分布,在更新特征对应的权重系数 5、重采样 6、状态估计


下面是几张简图:


相关资料: 粒子滤波的相关文献下载 【目标跟踪】基于粒子滤波算法的目标跟踪:Rob Hess源码分析 基于粒子滤波器的目标跟踪算法及实现 极大似然估计与贝叶斯估计 卡尔曼滤波 – 从推导到应用 基于粒子滤波的物体跟踪

转载请注明原文地址: https://www.6miu.com/read-2150200.html

最新回复(0)