- 读Isard, M. and A. Blake (1998). "Condensation—conditional density propagation for visual tracking." International journal of computer vision 29(1): 5-28.
在目标跟踪领域中，kalman跟踪有着先天的不足，因为它是基于单模高斯分布的，不能同时表示多目标。而condensation算法使用了重采样技术，目标的概率分布通过随机产生的数据集来表示，然后使用已知的动态模型和观察模型来传播这些随机数据集。实验最后显示这个算法对快速运动的物体跟踪非常鲁棒，能够实时跟踪。
作者给出了condensation算法的过程(暂时未看懂),即选择粒子，通过运动模型预测粒子，通过观测模型观察粒子。论文中曲线运动，运动模型，观测模型公式一大把，头看晕了，不能本质上理解，那些作者为什么就不能给个通俗易懂的算法流程呢？
作者的实验分为4个部分：跟踪多模态分布的物体；跟踪快速运动的物体；跟踪具有关节特性的物体；跟踪有伪装的物体；
粒子跟踪的优点非常多，没有高斯单模等前提假设，可以比kalman更好的跟踪刚性或非刚性物体。其计算复杂度也不大。粒子滤波性能的好坏取决于粒子的个数N。
作者提出了粒子滤波的缺点也不少：观测模型的选择问题；需要更多的状态密度通用表达；随机采样表和其效率问题；文章公式给出的密度传播方程是连续形式的等。