粒子濾波演算法原理

Ⅰ 粒子濾波演算法是什麼時間，由誰最先提出來的

我通俗解釋一下,粒子濾波（PF）的應用大致這樣：（其實目標跟蹤的理論就是對狀態向量的實時估值）

設有一堆樣本,假設有N個,初始給他們同樣的權值1/N.

這個系統狀態轉移方程,一般是非線性的,我們只需要知道怎麼做才能把這時刻的狀態值傳播到下一個時刻.具體做法,N個樣本值通過狀態轉移得下一時刻的樣本預測值,包含過程雜訊因素.d

系統還有一個非線性的觀測方程,通過它得到真正的觀測值Z.這時候,把N個樣本預測值帶進去獲得Z『.

根據Z』和Z相差的程度,決定對這個樣本的可信程度,當然越接近的越好,然後把這些可信程度進行權值歸一化.

重采樣環節,把這些樣本按照權值進行隨機采樣（權值越高的,當然越容易被抽中.比如說,下一時刻的值,有四個樣本說等於1,有兩個樣本說等於1.5,那麼有2/3概率認為等於1.這個解釋起來真的有夠復雜的,一般做起來200~300個樣本獲得的值都接近一樣了,還要設個2/3n的閾值防止粒子匱乏,也就是防止所有樣本得到相同的後驗估計結果）,獲得的值盡可能接近真實發生的情況.

循環2~5

Ⅱ 粒子濾波（CSDN通俗解釋）

關於卡爾曼濾波和粒子濾波最直白的解釋

卡爾曼濾波本來是控制系統課上學的，當時就沒學明白，也矇混過關了，以為以後也不用再見到它了，可惜沒這么容易，後來學計算機視覺和圖像處理，發現用它的地方更多了，沒辦法的時候只好耐心學習和理解了。一直很想把學習的過程記錄一下，讓大家少走彎路，可惜總也沒時間和叢伏機會，直到今天。。。
我一直有一個願望，就是把抽象的理論具體化，用最直白的方式告訴大家--不提一個生澀的詞，不寫一個數學公式，像講故事一樣先把道理說明白，需要知道細節的同學可以自己去查所有需要知道的一切。因為學習的過程告訴我，最難的其實是最初和這個理論和應用背景親和的過程--這些理論它究竟是做什麼的，又是怎麼做到的。可惜我們能看到的關於這些理論的資料大多數都是公式的堆砌並且假定我們明白許多「基本的道理」，其實這些培鄭悔「基本的道理」往往是我們最難想像和超越的。以卡爾曼濾波為例，讓我們嘗試一種不同的學習方法。
相信所有學習卡爾曼濾波的同學首先接觸的都是狀態方程和觀測方程，學過控制系統的同學可能不陌生，否則，先被那兩個看起來好深奧的公式給嚇跑了，關鍵是還不知道他們究竟是干什麼的，什麼是狀態，什麼是觀測。。。。。。如果再看到後面的一大串遞歸推導增益，實在很暈很暈，更糟糕的是還沒整明白的時候就已經知道卡爾曼濾波其實已經不夠使了，需要extended kalmanfilter 和particle filter了。。。
其實我們完全不用理會這些公式。先來看看究竟卡爾曼濾波是做什麼的，理解了卡爾曼濾波，下面的就順其自然了。
用一句最簡單的話來說，卡爾曼濾配正波是來幫助我們做測量的，大家一定不明白測量幹嘛搞那麼復雜？測量長度拿個尺子比一下，測量溫度拿溫度表測一下不就完了嘛。的確如此，如果你要測量的東西很容易測准確，沒有什麼隨機干擾，那真的不需要勞駕卡爾曼先生。但在有的時候，我們的測量因為隨機干擾，無法准確得到，卡爾曼先生就給我們想了個辦法，讓我們在干擾為高斯分布的情況下，得到的測量均方誤差最小，也就是測量值擾動最小，看起來最平滑。
還是舉例子最容易明白。我最近養了只小兔子，忍不住拿小兔子做個例子嘻嘻。
每天給兔子拔草，看她香甜地吃啊吃地，就忍不住關心一下她的體重增長情況。那麼我們就以小兔子的體重作為研究對象吧。假定我每周做一次觀察，我有兩個辦法可以知道兔子的體重，一個是拿體重計來稱：或許你有辦法一下子就稱准兔子的體重（獸醫通常都有這辦法），但現在為了體現卡爾曼先生理論的魅力，我們假定你的稱實在很糟糕，誤差很大，或者兔子太調皮，不能老實呆著，彈簧秤因為小兔子的晃動會產生很大誤差。盡管有誤差，那也是一個不可失去的渠道來得到兔子的體重。還有一個途徑是根據書本上的資料，和兔子的年齡，我可以估計一下我的小兔子應該會多重，我們把用稱稱出來的叫觀察量，用資料估計出來的叫估計值，無論是觀察值還是估計值顯然都是有誤差的，假定誤差是高斯分布。現在問題就來了，按照書本上說我的兔子該3公斤重，稱出來卻只有2.5公斤，我究竟該信哪個呢？如果稱足夠准，兔子足夠乖，卡爾曼先生就沒有用武之地了呵呵，再強調一下是我們的現狀是兔兔不夠乖，稱還很爛呵呵。在這樣惡劣的情景下，卡爾曼先生告訴我們一個辦法，仍然可以估計出八九不離十的兔兔體重，這個辦法其實也很直白，就是加權平均，把稱稱出來的結果也就是觀測值和按照書本經驗估算出來的結果也就是估計值分別加一個權值，再做平均。當然這兩個權值加起來是等於一的。也就是說如果你有0.7分相信稱出來的體重，那麼就只有0.3分相信書上的估計。說到這里大家一定更著急了，究竟該有幾分相信書上的，有幾分相信我自己稱的呢？都怪我的稱不爭氣，沒法讓我百分一百信賴它，還要根據書上的數據來做調整。好在卡爾曼先生也體會到了我們的苦惱，告訴我們一個辦法來決定這個權值，這個辦法其實也很直白，就是根據以往的表現來做決定，這其實聽起來挺公平的，你以前表現好，我就相信你多一點，權值也就給的高一點，以前表現不好，我就相信你少一點，權值自然給的低一點。那麼什麼是表現好表現不好呢，表現好意思就是測量結果穩定，方差很小，表現不好就是估計值或觀測值不穩定，方差很大。想像你用稱稱你的哦兔子，第一次1公斤第二次10公斤，第三次5公斤，你會相信你的稱嗎，但是如果第一次3公斤第二次3.2公斤，第三次2.8公斤，自然我就相信它多一點，給它一個大的權值了。
有了這個權值，下面的事情就很好辦了。很顯然卡爾曼先生是利用多次觀察和估計來達到目的的，我們也只能一步一步地調整我們的觀察和估計值，來漸漸達到准確的測量，所以整個 演算法 是遞歸的，需要多次重復調整的。調整的過程也很簡單，就是把實測值（稱出來的體重）和估計值（書上得來的體重）比較一下，如果估計值比測量值小，那就把估計值加上他們之間的偏差作為新的估計值，當然前面要加個系數，就是我們前面說的加權系數，這個地方我要寫個公式，因為很簡單就能說明白
比如我們的觀查值是Z，估計值是X， 那麼新的估計值就應該是 Xnew = X + K ( Z-X），從這個公式可以看到，如果X估計小了，那麼新的估計值會加上一個量K ( Z-X）, 如果估計值大了,大過Z了，那麼新的估計值就會減去一個量K ( Z-X），這就保證新的估計值一定比現在的准確，一次一次遞歸下去就會越來越准卻了，當然這裡面很有作用的也是這個K，也就是我們前面說的權值，書上都把他叫卡爾曼增益。。。(Xnew = X + K ( Z-X） = X ×（1-K) + KZ ，也就是說估計值X的權值是1-k，而觀察值Z的權值是k，究竟k 取多大，全看估計值和觀察值以前的表現，也就是他們的方差情況了）
發現把一個問題講明白還真不是件容易的事情，誰聽明白了我佩服誰，因為我已經把自己講糊塗了哈
順便就把extended kalman filter和particle filter提一下，因為高斯模型有時不適用，於是有了extended kalman filter，而particle filter是用於多個對象的，比如除了兔子我還有隻貓，他們的體重有一個聯合概率模型，每一個對象就是一個particle。無論是卡爾曼濾波還是particle濾波，都是概率分布傳遞的過程，卡爾曼傳遞的是高斯分布，particle filter 傳遞的是高斯混合分布，每一個峰代表一個動物在我們的例子。

Ⅲ 《粒子濾波原理及應用》pdf下載在線閱讀全文，求百度網盤雲資源

《粒子濾衡皮波原帶攔謹理及應用》網路網盤pdf最新全集下載:
鏈接：https://pan..com/s/1RtpYhJNp6W-C7QOmtx14OA

Ⅳ 粒子濾波的粒子濾波的發展

Unscented Kalman濾波器(UKF)是Julier等人提出的。EKF(Extended Kalman Filter)使用一階Taylor展開式逼近非線性項，用高斯分布近似狀態分布。UKF類似於EKF，用高斯分布逼近狀態分布，但不需要線性化只使用少數幾個稱為Sigma點的樣本。這些點通過非線性模型後，所得均值和方差能夠精確到非線性項Taylor展開式的二階項，從而對非線性濾波精度更高。Merwe等人提出使用旅敗斗UKF產生PF的重要性分布，稱為Unscented粒子濾波器(UPF)，由UKF產生的重要性分布與真實狀態PDF的支集重疊部分更大，估計精度更高。
Rao－Blackwellised粒子濾波器(RBPF)
在高維狀態空間中采樣時,PF的效率很低。對某些狀態空間模型，狀態向量的一部分在其餘部分的條件下的後驗分布可以用解析方法求得，例如某些狀態是條件線性高斯模型，可用Kalman濾波器得到條件後驗分布，對另外部分狀態用PF，從而得到一種混合濾波器，降低了PF采樣空間的維數，RBPF樣本的重要性權的方差遠遠低於SIR方法的權的方差，為使用粒子濾波器解決 SLAM問題提供了理論基礎。而Montemerlo等人在2002年首次將Rao-Blackwellised粒子濾波器應用到機器人SLAM中，並取名為FastSLAM演算法。該演算法將SLAM問題分解成機器人定位問題和基於位姿估計的環境特徵位置估計問題，用粒子濾波演算法做整個路徑的位置估計，用EKF估計環境特徵的位置，每一個EKF對應一個環境特徵。該方法融合EKF和概率方法的優點，既降低了計算的復雜度，又具有較好的魯棒性。
最近幾年，粒子方法又出現了一些新的發展，一些領域用傳統的分析方法解決不了的問題，現在可以藉助基於粒子模擬的方法來解決。在動態系統的模型選擇、故障檢測、診斷方面，出現了基於粒子的假設檢驗、粒子多模型、粒子似然度比檢測等方法。在參數估計方面，通常把靜止的參數作為擴展的狀態向量的一部分，但是由於參數是靜態的，粒子會很快退枯鉛化成一個樣本，為避免退化，常用的方法有給靜態參數人為增加動態雜訊以及Kernel平滑方法，而Doucet等提出的點估計方法避免對參數直接采樣，在粒子框架下使用最大似然估計(ML)以及期望值最大(EM)演算法直接估計未拆磨知參數。

Ⅳ 誰有粒子濾波C++實現的代碼

程序流程：
1.命令行參數處理 －>
2.設置隨機數生成器環境，創建隨機數生成器、並且對其初始化。->
3.初始化視頻句柄 －>
4.取視頻中的一幀進行處理 －>
1）GRB－>HSV
2）保存當前幀在frames
3) 判斷是否為第一幀，
若是則，
（1）忙等用戶選定欲跟蹤的區域
（2）計算相關區域直方圖
（3）得到跟蹤粒子
若不是則，
（1）對每個粒子作變換，並計算每個粒子的權重
（2）對粒子集合進行歸一化
（3）重新采樣粒子
4）畫出粒子所代表的區域
5.釋放圖像
OpenCV學習——物體跟蹤的粒子濾波演算法實現之命令行參數處理
void arg_parse( int argc, char** argv )
{
int i = 0;
pname = remove_path( argv[0] );
while( TRUE )
{
char* arg_check;
int arg = getopt( argc, argv, OPTIONS );
if( arg == -1 )
break;
switch( arg )
{
case 'h':
usage( pname );
exit(0);
break;
case 'a':
show_all = TRUE;
break;
case 'o':
export = TRUE;
break;
case 'p':
if( ! optarg )
fatal_error( "error parsing arguments at -%c\n" \
"Try '%s -h' for help.", arg, pname );
num_particles = strtol( optarg, &arg_check, 10 );
if( arg_check == optarg || *arg_check != '\0' )
fatal_error( "-%c option requires an integer argument\n" \
"Try '%s -h' for help.", arg, pname );
break;
default:
fatal_error( "-%c: invalid option\nTry '%s -h' for help.",
optopt, pname );
}
}
if( argc - optind < 1 )
fatal_error( "no input image specified.\nTry '%s -h' for help.", pname );
if( argc - optind > 2 )
fatal_error( "too many arguments.\nTry '%s -h' for help.", pname );
vid_file = argv[optind];
}
作者使用Getopt這個系統函數對命令行進行解析，－h表示顯示幫助，－a表示將所有粒子所代表的位置都顯示出來，－o表示輸出tracking的幀，－p number進行粒子數的設定，然後再最後指定要處理的視頻文件。
OpenCV學習——物體跟蹤的粒子濾波演算法實現之RGB->HSV
IplImage* bgr2hsv( IplImage* bgr )
{
IplImage* bgr32f, * hsv;
bgr32f = cvCreateImage( cvGetSize(bgr), IPL_DEPTH_32F, 3 );
hsv = cvCreateImage( cvGetSize(bgr), IPL_DEPTH_32F, 3 );
cvConvertScale( bgr, bgr32f, 1.0 / 255.0, 0 );
cvCvtColor( bgr32f, hsv, CV_BGR2HSV );
cvReleaseImage( &bgr32f );
return hsv;
}
程序現將圖像的像素值歸一化，然後使用OpenCV中的cvCvtcolor函數將圖像從RGB空間轉換到HSV空間。
OpenCV學習——物體跟蹤的粒子濾波演算法實現之設定隨機數
gsl_rng_env_setup();//setup the enviorment of random number generator
rng = gsl_rng_alloc( gsl_rng_mt19937 );//create a random number generator
gsl_rng_set( rng, time(NULL) );//initializes the random number generator.
作者使用GSL庫進行隨機數的產生，GSL是GNU的科學計算庫，其中手冊中random部分所述進行隨機數生成有三個步驟：
隨機數生成器環境建立，隨機數生成器的創建，隨機數生成器的初始化。
OpenCV學習——物體跟蹤的粒子濾波演算法實現之計算選定區域直方圖
histogram** compute_ref_histos( IplImage* frame, CvRect* regions, int n )
{
histogram** histos = malloc( n * sizeof( histogram* ) );
IplImage* tmp;
int i;
for( i = 0; i < n; i++ )
{
cvSetImageROI( frame, regions[i] );//set the region of interest
tmp = cvCreateImage( cvGetSize( frame ), IPL_DEPTH_32F, 3 );
cvCopy( frame, tmp, NULL );
cvResetImageROI( frame );//free the ROI
histos[i] = calc_histogram( &tmp, 1 );//calculate the hisrogram
normalize_histogram( histos[i] );//Normalizes a histogram so all bins sum to 1.0
cvReleaseImage( &tmp );
}
return histos;
}
程序中先設置了一個類型為histogram的指向指針的指針，是histogram指針數組的指針，這個數組是多個選定區域的直方圖數據存放的位置。然後對於每一個用戶指定的區域，在第一幀中都進行了ROI區域設置，通過對ROI區域的設置取出選定區域，交給函數calc_histogram計算出直方圖，並使用normalize_histogram對直方圖進行歸一化。
計算直方圖的函數詳解如下：
histogram* calc_histogram( IplImage** imgs, int n )
{
IplImage* img;
histogram* histo;
IplImage* h, * s, * v;
float* hist;
int i, r, c, bin;
histo = malloc( sizeof(histogram) );
histo->n = NH*NS + NV;
hist = histo->histo;
memset( hist, 0, histo->n * sizeof(float) );
for( i = 0; i < n; i++ )
{
img = imgs[i];
h = cvCreateImage( cvGetSize(img), IPL_DEPTH_32F, 1 );
s = cvCreateImage( cvGetSize(img), IPL_DEPTH_32F, 1 );
v = cvCreateImage( cvGetSize(img), IPL_DEPTH_32F, 1 );
cvCvtPixToPlane( img, h, s, v, NULL );
for( r = 0; r < img->height; r++ )
for( c = 0; c < img->width; c++ )
{
bin = histo_bin( pixval32f( h, r, c ),
pixval32f( s, r, c ),
pixval32f( v, r, c ) );
hist[bin] += 1;
}
cvReleaseImage( &h );
cvReleaseImage( &s );
cvReleaseImage( &v );
}
return histo;
}
這個函數將h、s、 v分別取出，然後以從上到下，從左到右的方式遍歷以函數histo_bin的評判規則放入相應的bin中（很形象的）。函數histo_bin的評判規則詳見下圖：
｜－－－－｜－－－－｜－－－－｜。。。。｜－－－－｜－－－－－－｜－－－－－－｜。。。。｜－－－－－－－｜
1NH 2NH 3NH NS＊NH NS＊NH＋1 NS*NH+2 NS＊NH＋NV
OpenCV學習——物體跟蹤的粒子濾波演算法實現之初始化粒子集
particle* init_distribution( CvRect* regions, histogram** histos, int n, int p)
{
particle* particles;
int np;
float x, y;
int i, j, width, height, k = 0;
particles = malloc( p * sizeof( particle ) );
np = p / n;
for( i = 0; i < n; i++ )
{
width = regions[i].width;
height = regions[i].height;
x = regions[i].x + width / 2;
y = regions[i].y + height / 2;
for( j = 0; j < np; j++ )
{
particles[k].x0 = particles[k].xp = particles[k].x = x;
particles[k].y0 = particles[k].yp = particles[k].y = y;
particles[k].sp = particles[k].s = 1.0;
particles[k].width = width;
particles[k].height = height;
particles[k].histo = histos[i];
particles[k++].w = 0;
}
}
i = 0;
while( k < p )
{
width = regions[i].width;
height = regions[i].height;
x = regions[i].x + width / 2;
y = regions[i].y + height / 2;
particles[k].x0 = particles[k].xp = particles[k].x = x;
particles[k].y0 = particles[k].yp = particles[k].y = y;
particles[k].sp = particles[k].s = 1.0;
particles[k].width = width;
particles[k].height = height;
particles[k].histo = histos[i];
particles[k++].w = 0;
i = ( i + 1 ) % n;
}
return particles;
}
程序中的變數np是指若有多個區域n，則一個區域內的粒子數為p/n，這樣粒子的總數為p。然後程序對每個區域（n個）中p/n個粒子進行初始化，三個位置坐標都為選定區域的中點，比例都為1，寬度和高度為選定區域的高度。然後又跑了個循環確定p個粒子被初始化。
OpenCV學習——物體跟蹤的粒子濾波演算法實現之粒子集合變換
particle transition( particle p, int w, int h, gsl_rng* rng )
{
float x, y, s;
particle pn;
x = A1 * ( p.x - p.x0 ) + A2 * ( p.xp - p.x0 ) +
B0 * gsl_ran_gaussian( rng, TRANS_X_STD ) + p.x0;
pn.x = MAX( 0.0, MIN( (float)w - 1.0, x ) );
y = A1 * ( p.y - p.y0 ) + A2 * ( p.yp - p.y0 ) +
B0 * gsl_ran_gaussian( rng, TRANS_Y_STD ) + p.y0;
pn.y = MAX( 0.0, MIN( (float)h - 1.0, y ) );
s = A1 * ( p.s - 1.0 ) + A2 * ( p.sp - 1.0 ) +
B0 * gsl_ran_gaussian( rng, TRANS_S_STD ) + 1.0;
pn.s = MAX( 0.1, s );
pn.xp = p.x;
pn.yp = p.y;
pn.sp = p.s;
pn.x0 = p.x0;
pn.y0 = p.y0;
pn.width = p.width;
pn.height = p.height;
pn.histo = p.histo;
pn.w = 0;
return pn;
}
程序使用動態二階自回歸模型作為基本變換思路，變換的對象有坐標x，坐標y，和比例s。變換的x和y要符合在width和height之內的條件。
OpenCV學習——物體跟蹤的粒子濾波演算法實現之粒子集重新采樣
particle* resample( particle* particles, int n )
{
particle* new_particles;
int i, j, np, k = 0;
qsort( particles, n, sizeof( particle ), &particle_cmp );
new_particles = malloc( n * sizeof( particle ) );
for( i = 0; i < n; i++ )
{
np = cvRound( particles[i].w * n );
for( j = 0; j < np; j++ )
{
new_particles[k++] = particles[i];
if( k == n )
goto exit;
}
}
while( k < n )
new_particles[k++] = particles[0];
exit:
return new_particles;
}
程序先使用C標准庫中的qsort排序函數，按照權重，由大到小將原粒子集排序。然後將權重大的在新的粒子集中分配的多一點。
OpenCV學習——物體跟蹤的粒子濾波演算法實現之權重歸一化
void normalize_weights( particle* particles, int n )
{
float sum = 0;
int i;
for( i = 0; i < n; i++ )
sum += particles[i].w;
for( i = 0; i < n; i++ )
particles[i].w /= sum;
}

Ⅵ 貧化的解釋及造句

貧化拼音

【注音】： pin hua

貧化解釋

【意思】：在采出的礦石中，有用礦物含量比在礦體中的含量低，叫做貨化，是由於開采過程中礦石與廢石相混而造成的。

貧化造句

貧化造輪薯臘句：

1、進行這種結合的目的，是降低放礦過程中的礦石損失和貧化。

2、針對四川瀘沽鐵礦的實際情況，提出下盤切岩時應採取的具體措施，達到多回收礦石、低貧化，取得最大經濟效益的目的。

3、建立了礦體模型、損失貧化動態模型和配礦優化模型。

4、運用最小二乘原理對試驗數據進行回歸擬合，得到回收率與貧化率的關系，並分析得出了較優的實驗方案。

5、對於礦岩界階不明顯，必須注意礦體的二次圈定工作，以減少貧化和損失。

6、樣本貧化現臘滑象是應用粒子濾波演算法的一個主要障礙，對估計長時間維持不變數的影響尤為嚴重。

7、根據礦體賦存條件和所選用的采礦方法，各種采礦方法所佔的比例，計算采礦綜合法損失率為12%、貧化率為15%。

8、在中厚傾斜礦體的開采過程中，改變人道和溜井在采場面的相對位置，可適應礦體的變化，降低貧化率。

9、回採過程中要隨時作好直接頂板和上下盤圍岩的維護工作，以保證生產安全，減少損失、貧化。

10、採用內圓柱體轉動法測定了貧化電爐渣的粘度系數，並計算出了其在低溫及高溫區間的粘滯活化能。

11、在腐蝕區以下的合金基體中沒有鉻的貧化現象發生。

12、稀土元素的強烈分餾以及重稀土元素顯著貧化，意味著這些火山岩源自於大陸岩石圈地幔的石榴石二輝橄欖岩。

13、兩種方法均具有生產能力高，採掘比低，貧化損失較小，改善通風條件等優點。

14、獅嶺南地段礦體規模、形態、產狀特徵與其他主生產地段相比，差異很大，該地段采礦貧化率較難控制。

15、實踐證明，雙指標出礦管理方法取得了較好的效果，能有效地防止丟礦和過貧化的現象。

16、該研究對我國類似資源貧化型礦山低品位礦石的預選是一個有益的探索。

17、采礦貧化率與損失率的降低是采礦工作者重點研究和攻克的難點之一手瞎。

18、從生產實踐出發，闡述了降低采礦貧化率是提高礦石質量（品位），提高礦山經濟效益的有效途徑之一。

19、本文根據實驗及生產放礦結果，分析研究了無底柱分段崩落法放礦過程中礦石損失貧化的關系問題。

20、並對今後無底柱分段崩落法降低損失貧化具有重要的'指導意義。

21、充填體在開采過程中往往由於剪切滑移而產生垮落破壞，造成礦石貧化。

22、粒子濾波演算法（PF）中，序列重要性采樣引起采樣點貧化，進一步經過重采樣後造成分集度損失。

23、有色金屬礦山企業的采礦回收率、選礦回收率和綜合回收率普遍高於全國平均水平，采礦貧化率低於全國平均水平。

24、該方法提高了礦石的回採率，降低了礦石的貧化率，為礦山尋找出一條合理的開采方法。

25、岩金作為貴金屬礦床，提倡使用損失率、貧化率低的充填采礦法開采。

26、礦石的貧化率與損失率較高，是造成資源浪費和制約企業經濟效益的突出問題。

27、降低了礦石的貧化損失，提高了回收率，減少了采礦成本，獲得了良好的經濟效益和社會效益。

28、並根據無底柱分段崩落法礦山的不同情況，提出了各種應用無貧化放礦的實施方案。

29、這種采礦方法極大地提高了采場生產能力，降低了礦石貧化損失和采礦成本，對同類礦體的開采有明顯的現實意義。

Ⅶ 初值對粒子濾波演算法有影響嗎

您好，初值對粒子濾波演算法的影響是非常重要的。粒子濾波演算法是一種基於概率的濾波演算法，它的基本思想是根據測量值和狀態轉移模型，通過蒙特卡洛方法來估計狀態變數的分布，從而求解最優狀態估計問題。粒子濾波演算法的初值對演算法的結果影響很大，因為粒子濾波演算法是一種基於概率的濾波演算法，它的基本思想是根據測量值和狀態轉移模型，渣態通過蒙特卡洛方法來估計狀態變數的分布，從而求解最優狀態估計問題。如果初值不改旁准確，會導致粒如殲源子濾波演算法的結果不準確，從而影響演算法的有效性。因此，在使用粒子濾波演算法時，初值的准確性對演算法的結果有很大的影響。

Ⅷ 無人駕駛(三)行人跟蹤演算法

姓名：王夢妮

學號：20021210873

學院：電子工程學院

【嵌牛導讀】本文主要介紹了無人駕駛中所需的拿肢行人跟蹤演算法

【嵌牛鼻子】無人駕駛 環境感知 計算機視覺 卡爾曼濾波 粒子濾波 均值漂移

【嵌牛提問】無人駕駛中所用到的行人跟蹤演算法有哪些

【嵌牛正文】

行人跟蹤一直是視覺領域的一個難點，實際應用環境復雜、遮擋以及行人姿態變化等外界因素都影響著行人跟蹤演算法的研究。行人跟蹤演算法模型主要分為生成模型和判別模型。

（一）生成式模型

生成式模型是一種通過在線學習行人目標特徵，建立行人跟蹤模型，然後使用模型來搜索誤差最小的目標區域，從而完成對行人的跟蹤。這種演算法在構建模型只考慮了行人本身的特徵，忽略了背景信息，沒有做到有效利用圖像中的全部信息。其中比較經典的演算法主要有卡爾曼濾波，粒子濾波，mean-shift等。

（1）卡爾曼濾波演算法

卡爾曼濾波演算法是一種通過對行人構建狀態方程和觀測方程為基礎，計算最小均方誤差來實現跟蹤的最優線性遞歸濾波演算法，通過遞歸行人的運動狀態來預測行人軌跡的變化。

首先設定初始參數，讀取視頻序列。然後進行背景估計，產生初始化背景圖像。然後依次讀取視頻序列，利用Kahnan濾波演算法，根據上一幀估計的背景和當前幀數據得到當前幀的前景目標。然後對前景目標進行連通計算，檢測出運動目標的軌跡。經典的卡爾曼濾波演算法．只能對線性運動的行人實現跟蹤，之後學者改進了卡爾曼濾波演算法，能夠實現對非線性運動的行人進行跟蹤，計算量小，能實現實時跟蹤，但是跟蹤效果不理想。

（2）粒子濾波

    粒子濾波的核心就是貝葉斯推理和重要性采樣。粒子濾波可用於非線性非高斯模型，這是由於貝葉斯推理採用蒙特卡洛法，以某個時間點事件出現的頻率表示其概率。通過一組粒子消宴世對整個模型的後驗概率分布進行近似的表示，通過這個表示來估計整個非線性非高斯系統的狀態。重要性採用就是通過粒子的置信度來賦予不同的權重，置信度高的粒子，賦予較大的權重，通過權重的分布形式表示相似程度。

（3）均值漂移（mean-shift）

    Mean-shift演算法屬於核密度估計法。不必知道先驗概率，密度函數值由采樣點的特徵空間計算。通過計算當前幀目標區域的像素特徵值概率來描述目標模型，並對候選區域進行統一描述，使用相似的函數表示目標模型與候選模板之間的相似度，然後選擇在具有相似函數值最大的候選模型中，您將獲得關於目標模型的均值漂移向量，該向量表示目標從當前位置移動到下一個位置的向量。通過連續迭代地計算均值偏移矢量，行人跟蹤演算法將最終收斂到行人的實際位置，從而實現行人跟蹤。

（二） 判別式模型

判別模型與生成模型不同，行人跟蹤被視為二分類問題。提取圖像中的行人和背景信息，並用於訓練分類器。通過分類將行人從圖像背景中分離出來，以獲取行人的當前位置。以行人區域為正樣本，背景區域為負樣本，通過機器學習演算法對正樣本和負樣本進行訓練，訓練後的分類器用於在下一幀中找到相似度最高的區域，以完成行人軌跡更新。判別式模型不像生成式模型僅僅利用了行人的信息，還利用了背景信息，因此判別式模型的跟蹤效果普遍優於生成式模型。

（1）基於相關濾波的跟蹤演算法

      核相關濾波(KCF)演算法是基於相關濾波的經典跟蹤演算法，具有優良的跟蹤效果和跟蹤速度。這是由於其採用了循環移位的方式來進行樣本生產，用生成的樣本來訓練分類器，通過高斯核函數來計算當前幀行人與下一幀中所有候選目標之間的相似概率圖，找到相似概率圖最大的那個候選目標，就得到了行人的新位置。KCF演算法為了提高跟蹤精度，使用HOG特徵對行人進行描述，同時結合了離散傅里葉變換來降低計算量。

（2）基於深度學習的跟蹤演算法

    近年來，深度學習在圖像和語音方面取得了較大的成果，因此有許多科研人員將深度學習與行人跟蹤相結合，取得了比傳統跟蹤演算法更好的性能。DLT就是一個基於深度學習的行人跟蹤演算法，利用深度模型自動編碼器通過離線訓練的方式，在大規模行人數據集上得到一個行人模型，然後在線對行人進行跟蹤來微調模型。首先通過粒子濾波獲取候選行人目標，然後利用自動編碼器進行預測，最終得到行人的預測位置即最大輸出值的候選行人目標位置。2015年提出的MDNet演算法採用了分域訓練的方式祥森。對於每個類別，一個單獨的全連接層用於分類，並且全連接層前面的所有層都是共享，用於特徵提取。2017年提出的HCFT演算法使用深度學習對大量標定數據進行訓練，得到強有力的特徵表達模型，結合基於相關濾波的跟蹤演算法，用於解決在線進行跟蹤過程中行人樣本少、網路訓練不充分的問題。此外，通過深度學習提取特徵，利用數據關聯的方法來實現跟蹤的演算法，其中最為著名的就JPDAF與MHT這兩種方法。

Ⅸ 粒子濾波演算法的具體流程是怎樣的

粒子濾波(PF: Particle Filter)演算法起源於20世紀50年代Poor Man's Monte Carlo問題的研究，但第一個具有應用性的粒子濾波演算法於1993年由Gordon等提出（「A novel Approach to nonlinear/non-Gaussian Bayesian State estimation」）。它是利用粒子集來表示概率，可以用在任何形式的狀態空間模型上。其核心思想是通過從後驗概率中抽取的隨機狀態粒子來表示其分布情況，是一種順序重要性采樣法(Sequential Importance Sampling)。

粒子濾波的應用非常廣泛，尤其是在目標跟蹤（「A probabilistic framework for matching temporal trajectories」）等視覺任務方面。粒子濾波演算法有許多不同的改進方式。針對不同的問題，PF演算法被改造以適應更好的問題。本文主要側重於目標跟蹤方面的應用。以人臉跟蹤為例，下圖展示了粒子濾波的跟蹤結果。下面介紹下粒子濾波的基本過程：初始化、概率轉移、權重重計算和重采樣四個階段。

1.初始化階段

跟蹤區域初始化。在使用粒子濾波演算法進行目標跟蹤前需要選擇要跟蹤的目標物體。這個過程可以用人工劃定方法和自動識別方法。使用人工的方法可以通過滑鼠在圖像區域標記出一個感興趣矩形；使用自動的方法就是利用自動的目標檢測技術，初步檢測出圖像中要跟蹤物體的大致位置。以人臉跟蹤為例，人工方法就是滑鼠劃定視頻第一幀中人臉的區域；自動方法就是可以使用人臉檢測演算法檢測出人臉的初始位置。

粒子初始化。對於本文人臉檢測的示例，粒子就是圖像中的矩形區域，主要由矩形中心(x,y)和寬高(w,h)四個變數表示。粒子初始化的步驟，就是在圖像中選擇指定數量的粒子（矩形），比如N=100個粒子。粒子初始化過程就是在圖像中隨機或指定方式放粒子。比如說，我們可以指定100個粒子初始狀態和跟蹤區域一致，即粒子參數和跟蹤區域的(x,y,w,h)相等。

2.狀態轉移階段

使用粒子濾波演算法來對目標進行跟蹤，即是通過前一次的先驗概率來估算出當前環境下的後驗概率密度，這個過程也是由粒子來完成的。具體來說，即根據上一幀中粒子的狀態(x,y,w,h)t-1，來估計出本幀中各個粒子的狀態(x,y,w,h)t。從上一幀圖像的粒子狀態轉變為當前幀粒子的狀態，這個變異過程就叫作轉移（transmission）。粒子濾波的轉移方程跟Kalman濾波的差不多：

上面的是狀態轉移方程，下面的為觀測方程，wk和vk是高斯雜訊。在本文示例中，xk=(x,y,w,h)t。變數x,y,w,h可以依據公式（1）分別更新。在不同的演算法中，f採用的函數也不相同。如果xk=xk-1+wk，則狀態轉移方程其實是隨機遊走過程；如果xk=Axk-1+wk，狀態轉移方程則為一階自回歸方程；如果xk=A1xk-1+A2xk-2+wk，則狀態轉移方程為二階自回歸方程。

3.權重重計算階段

轉移階段將上一幀中粒子的位置進行了轉移，得到當前幀中新的位置。但並不是所有粒子的作用都有用。也就是有些粒子並不是跟蹤區域所要所移動的位置。因此，在此階段，粒子濾波演算法將對每個粒子進行打分，將得分較低的粒子刪除，將得分多的粒子生成更多的粒子（重采樣過程完成）。具體打分的方法根據不同的需求會不同，例如人臉跟蹤方法中使用距離作為衡量的標准。將每個粒子與跟蹤區域進行相似度計算（在這里，分別提取粒子和跟蹤區域的視覺特徵進行計算，比如顏色直方圖），使用相似度作為相應粒子的權重。每一個粒子都需要計算其權重，並且需要將其歸一化。該階段其實也是後驗概率進行更新的過程。

4.重采樣階段

粒子濾波演算法會淘汰權值低的粒子，讓權值高的粒子來產生出更多的粒子，這就使得演算法朝著權值高的地方收斂。假設有100個粒子，1號粒子的權重為0.02而2號粒子的權重為0.003。於是在重采樣階段，1號粒子生孩子的指標是0.02×100=2，2號粒子的指標是0.003×100=0.3，可以發現，1號粒子除了剛產生的粒子外還要再額外的產生一個粒子，而2號粒子就被鏟除了。如此，最後得到的100個粒子即為所求，然後取個加權平均就得到了目標的狀態值。

Ⅹ 粒子濾波演算法是什麼時間，由誰最先提出來的啊

1993年有Gordon和Salmond提出了一種新的基於SIS方法的Bootstrap非線性濾波方法，從此奠定了粒子濾波演算法的基礎。論文：Novel approach to non-linear and non-gaussion Bayesian state estimation.