浓缩算法

浓缩算法（条件密度传播）是一种计算机视觉算法。其主要应用是检测和跟踪在杂乱环境中移动的物体的轮廓。

物体跟踪是计算机视觉中比较基本和困难的一个方面，通常是物体识别的前提条件。能够识别图像中哪些像素构成了物体的轮廓是一个非难的问题。

凝结法是一种试图解决这一问题的概率算法。Isard和Blake在1998年出版的《国际计算机视觉杂志》上对该算法本身进行了详细描述。

该算法最有趣的方面之一是它不对图像的每个像素进行计算。相反，要处理的像素是随机选择的，并且只有像素的一个子集最终被处理。

该方法的概率性质自然支持关于什么是移动的多种假设。评估功能主要来自于该领域以前的工作，包括许多标准的统计方法。

这项工作的原创部分是对粒子过滤器估计技术的应用。该算法的创建是受到卡尔曼滤波在存在大量背景杂波的情况下无法很好地进行物体跟踪的启发。

杂波的存在往往会产生物体状态的概率分布，这些概率分布是多模态的，因此卡尔曼滤波的建模效果很差。浓缩算法在其最一般的形式下，不需要对物体或测量的概率分布进行假设。

浓缩算法旨在解决估计由矢量描述的物体的构象的问题{displaystylemathbf{z_{1},...,z_{t}}}的内容}的图像中检测到的特征，直到并包括当前时间。

该算法输出一个对状态条件概率密度的估计值通过应用基于因子采样的非线性滤波器，可以认为是蒙特卡洛方法的发展。是基于先前构象和测量结果的物体可能构象的概率表示。

凝结算法是一个生成模型，因为它对物体和观察者的联合分布进行建模。对象在当前时间的条件密度为{displaystylep(mathbf{x_{t}|mathbf{z_{1},...,z_{t}}}是作为加权时间指数样本集估计的。｝

被估计为一个加权的、以时间为指数的样本集{displaystyles_{t}}中以替换方式取样获得。

概率等于假设物体的动态形成一个时间马尔可夫链，并且观察结果是相互独立的，动态有利于凝结算法的实施。

xxx个假设允许物体的动态完全由条件密度决定也必须为算法选择，一般包括确定性和随机性动态。该算法可以通过在时间上的初始化来概括

根据先验分布，通过采样形成初始样本集和权重。例如，指定为高斯，并设置权重为彼此相等。