声有一定的鲁棒性。 3、 粒子滤波跟踪算法
粒子滤波算法的核心思想是随机采样和重要性重采样。在不知道目标在哪里的情况下，随机向场景中分散粒子，撒完粒子后，根据特征相似度计算每个粒子的重要性，然后在重要的地方多撒粒子，不重要的地方少撒粒子。所以说粒子滤波较之蒙特卡洛滤波计算量较小。这种思想虽然简单，但效果往往很好。
粒子滤波实现对目标的跟踪通常分以下四个步骤： (1) 初始化阶段-提取跟踪目标特征
该阶段要人工指定跟踪目标，程序计算跟踪目标的特征，比如可以采用目标的颜色特征。这点和CamShift算法类似，不能实现自动初始化。但我们可以在初始时给定一个颜色样本，实现程序的半自动初始化。然后计算该区域色调(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，所以目标特征就是一个N?1的向量V。
(2) 搜索阶段—分撒搜索粒子
获取目标特征后，在场景中分撒许多搜索粒子去搜索目标对象。粒子分撒有许多种方式。比如，a) 均匀分撒。即在整个图像平面均匀的撒粒子(uniform distribution)；b)在上一帧得到的目标附近按照高斯分布来放，可以理解成，靠近目标的地方多放，远离目标的地方少放。粒子放出去后按照初始化阶段得到的目标特征(色调直方图，向量V)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（直方图匹配）。相似性有多种度量，最简单的一种是计算?Vi?V。每个粒子算出相似度后再做一次归一化，使得所有的粒子得到的相似度之和等于1。
(3) 决策阶段
分撒出去的每个粒子将返回其所处位置的图像信息。比如，一号粒子处图像与目标的相似度是0.3，二号粒子处图像与目标的相似度是0.02，三号粒子处图像与目标的相似度是0.0003，N号粒子处图像与目标的相似度是0.013，然后做加权平均。设N号粒子的图像像素坐标是(xn,yn)，它报告的相似度是?n，于是目标最可能的像素坐标X??(xn??n)，Y??(yn??n)。
21
(4) 重采样阶段
在新的一帧图像里，为了搜索到目标的新位置，需要再分撒粒子进行搜索。分撒粒子时要根据上一帧各个粒子返回的相似度报告。比如，一号粒子处图像与目标的相似度是0.3，二号粒子处图像与目标的相似度是0.02，三号粒子处图像与目标的相似度是0.0003，N号粒子处图像与目标的相似度是0.013。综合所有粒子的报告，一号粒子处的相似度最高，三号粒子处的相似度最低，于是要重新分撒粒子，在相似度最高的粒子那里放更多条粒子，在相似度最低的粒子那里少放粒子，甚至把原来那条粒子也撤回来。这就是重要性重采样(根据重要性重新分撒粒子)。
(2)->(3)->(4)->(2)如是反复循环，即完成了目标的动态跟踪。粒子滤波跟踪算法可用于视频监控领域，可以跟踪速度较快的跟踪目标。
除了前面所介绍的这些常用基本方法之外，还有很多方法，随着研究的不断深入，一些新兴的研究课题也不断涌现，比如，在机器学习方面出现的深度学习理论（deep learning），稀疏表达理论在跟踪中的运用，随机游走、图理论在图像分割中的使用，多模块交叉融合（识别与分割融合、分割与跟踪融合等）等等。
22