粒子濾波（Particle Filter）的通俗解釋

其實，粒子叫作估計器estimator。估計過去叫平滑smoothing，估計未來叫預測prediction，估計當前值才叫濾波filtering。粒子濾波演算法源於蒙特卡洛思想，即以某事件出現的頻率來指代該事件的概率。通俗的講，粒子濾波也是能用已知的一些資料預測未來的資料。我們知道，科爾曼濾波限制噪聲時服從高斯分佈的，但是粒子濾波可以不侷限於高斯噪聲，原理上粒子濾波可以駕馭所有的非線性、非高斯系統。

一個比喻：

某年月，警方（跟蹤程式）要在某個城市的茫茫人海（取樣空間）中跟蹤尋找一個罪犯（目標），警方採用了粒子濾波的方法。

1. 初始化：

警方找來了一批警犬（粒子），並且讓每個警犬預先都聞了罪犯留下來的衣服的味道（為每個粒子初始化狀態向量S0），然後將警犬均勻佈置到城市的各個區（均勻分佈是初始化粒子的一種方法，另外還有諸如高斯分佈，即：將警犬以罪犯留衣服的那個區為中心來擴充套件分佈開來）。

2. 搜尋：

每個警犬都聞一聞自己位置的人的味道（粒子狀態向量Si），並且確定這個味道跟預先聞過的味道的相似度（計算特徵向量的相似性），這個相似度的計算最簡單的方法就是計算一個歐式距離（每個粒子i對應一個相似度Di），然後做歸一化（即：保證所有粒子的相似度之和為1）。

3. 決策：

總部根據警犬們發來的味道相似度確定罪犯出現的位置（概率上最大的目標）：最簡單的決策方法為哪個味道的相似度最高，那個警犬處的人就是目標。

4. 重取樣：

總部根據上一次的決策結果，重新佈置下一輪警犬分佈（重取樣過程）。最簡單的方法為：把相似度比較小的地區的警犬抽調到相似度高的地區。

上述，2,3,4過程重複進行，就完成了粒子濾波跟蹤演算法的全過程。

 粒子濾波的核心思想是隨機取樣+重要性重取樣。既然不知道目標在哪裡，那我就隨機的放狗（隨機取樣）。放完狗後，根據特徵相似度計算每個地區人和罪犯的相似度，然後在重要的地方再多放狗，不重要的地方就少放狗（重要性取樣）。

參考：

http://www.cnblogs.com/konlil/archive/2012/02/05/2339142.html