现实案例：美式橄榄球比赛画面的一段，在屏幕上指点一个区域比如计算颜色特征或空间轮廓特征等等，然后跟踪框跟踪目标
粒子滤波算法思想源于蒙特卡洛思想，以事件出现的频率代替该事件的概率，在粒子滤波算法中，凡是用到概率的地方都用离散化采样，通过大量的采样分布来近似表示，此法优点是可以处理任意形式的概率。我们的目的就是让预测粒子接近真实状态。
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。具体到Rob Hess的代码，开始时需要人工用鼠标拖动出一个跟踪区域，然后程序自动计算该区域色调(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。（此阶段可以融合多种信息作为目标特征），当然特征与下图并无联系。此处得到了要跟踪目标的目标直方图
2）搜索阶段-放狗
我们已经掌握了目标的特征，下面放出很多条狗，去搜索目标对象，这里的狗就是粒子particle或者说是样本（粒子是通过对初始状态和他的概率分布进行采样得到的）。狗有很多种放法。比如，a)均匀的放：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。Rob Hess的代码用的是后一种方法。狗放出去后，每条狗怎么搜索目标呢？就是按照初始化阶段得到的目标特征(色调直方图，向量V)。每条狗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。相似性有多种度量，最简单的一种是计算sum(abs(Vi-V))，论文中常用.每条狗算出相似度后再做一次归一化，使得所有的狗得到的相似度加起来等于1.
【重要性采样阶段】即从建议分布采q样粒子
3）决策阶段
我们放出去的一条条聪明的狗向我们发回报告，“一号狗处图像与目标的相似度是0.3”,“二号狗处图像与目标的相似度是0.02”,“三号狗处图像与目标的相似度是0.0003”,“N号狗处图像与目标的相似度是0.013”...那么目标究竟最可能在哪里呢？我们做次加权平均吧。设N号狗的图像像素坐标是(Xn,Yn),它报告的相似度是Wn,于是目标最可能的像素坐标X = sum(Xn*Wn),Y = sum(Yn*Wn).
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。（此阶段可以融合多种信息作为目标特征），当然特征与下图并无联系。此处得到了要跟踪目标的目标直方图
2）搜索阶段-放狗
我们已经掌握了目标的特征，下面放出很多条狗，去搜索目标对象，这里的狗就是粒子particle（粒子是通过对初始状态和他的概率分布进行采样得到的）。狗有很多种放法。比如，a)均匀的放：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。Rob Hess的代码用的是后一种方法。狗放出去后，每条狗怎么搜索目标呢？就是按照初始化阶段得到的目标特征(色调直方图，向量V)。每条狗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。相似性有多种度量，最简单的一种是计算sum(abs(Vi-V))，论文中常用.每条狗算出相似度后再做一次归一化，使得所有的狗得到的相似度加起来等于1.
【重要性采样阶段】即从建议分布采q样粒子
3）决策阶段
我们放出去的一条条聪明的狗向我们发回报告，【此部分需要通过计算概率函数比较粒子所在的与模板的相似度】“一号狗处图像与目标的相似度是0.3”,“二号狗处图像与目标的相似度是0.02”,“三号狗处图像与目标的相似度是0.0003”,“N号狗处图像与目标的相似度是0.013”...那么目标究竟最可能在哪里呢？我们做次加权平均吧。设N号狗的图像像素坐标是(Xn,Yn),它报告的相似度是Wn,于是目标最可能的像素坐标X = sum(Xn*Wn),Y = sum(Yn*Wn).此阶段即重要性加权阶段
此阶段亦可成为校正阶段，前面得到了采样粒子也即预测粒子，获得了粒子就要计算它的权重，即重要性加权。
4）重采样阶段Resampling
此阶段的目的是解决上一阶段粒子集的退化问题，这是因为【2】搜索阶段用重要性函数q代替后验概率分布作为采样函数时，理想情况是重要性函数非常接近后验概率分布，即希望重要性函数的方差基本为零。因此重要性权重的方差随着时间推移随机递增，使得粒子的权重集中到少数粒子上。本阶段要解决粒子集退化问题。
既然我们是在做目标跟踪，一般说来，目标是跑来跑去乱动的。在新的一帧图像里，目标可能在哪里呢？还是让我们放狗搜索吧。但现在应该怎样放狗呢？让我们重温下狗狗们的报告吧。“一号狗处图像与目标的相似度是0.3”,“二号狗处图像与目标的相似度是0.02”,“三号狗处图像与目标的相似度是0.0003”,“N号狗处图像与目标的相似度是0.013”...综合所有狗的报告，一号狗处的相似度最高，三号狗处的相似度最低，于是我们要重新分布警力，正所谓好钢用在刀刃上，我们在相似度最高的狗那里放更多条狗，在相似度最低的狗那里少放狗，甚至把原来那条狗也撤回来。这就是Sampling
Importance Resampling，根据重要性重采样(更具重要性重新放狗)。下面图初时开始是不用重采样的，只是后续开始要判断涉及此步骤。
(2)->(3)->(4)->(2)如是反复循环，即完成了目标的动态跟踪。
底端的概率分布曲线表示是任意形状的，初始状态X(0)往往是未知的，于是初始的采样往往是均匀分布的，但随着状态的转移和迭代，粒子状态的概率形状就逐步发生变化，即可能是随意的如图形状。