运动跟踪与行为识别探讨.pptVIP

基本假设: 后验概率分布 为高斯分布 动态系统是线性的 系统噪声和测量噪声都是高斯分布的，协方差矩阵分别为 和 。 卡尔曼滤波器(Kalman Filter) with 卡尔曼滤波器—预测 with Kalman Gain （增益）： Kalman Innovation (新息) 卡尔曼滤波器—更新 Extended Kalman Filter (EKF) Unscented Kalman Filter (UKF) 同样基于高斯分布的假设； 状态转移方程和测量方程为非线性函数； 沿用Kalman Filter的框架； 将非线性函数局部线性化。 为处理更为一般的概率密度函数（比如，多峰情况），我们需要适应性更强的方法——粒子滤波器。 卡尔曼滤波器的扩展 粒子滤波器的一系列别名: Condensation Algorithms Sequential sampling-importance re-sampling (SIR) Bootstrap Filtering Interacting particle approximations Survival of the fittest …… 粒子滤波器(Particle Filter) 基于贝叶斯准则的序贯蒙特卡罗算法(Sequential Monte Carlo ) 粒子