1）初始化階段-提取跟蹤目標特征
該階段要人工指定跟蹤目標，程序計算跟蹤目標的特征，比如可以采用目標的顏色特征。具體到Rob Hess的代碼，開始時需要人工用鼠標拖動出一個跟蹤區域，然后程序自動計算該區域色調(Hue)空間的直方圖，即為目標的特征。直方圖可以用一個向量來表示，所以目標特征就是一個N*1的向量V。
2）搜索階段-放狗
好，我們已經掌握了目標的特征，下面放出很多條狗，去搜索目標對象，這里的狗就是粒子particle。狗有很多種放法。比如，a)均勻的放：即在整個圖像平面均勻的撒粒子(uniform distribution)；b)在上一幀得到的目標附近按照高斯分布來放，可以理解成，靠近目標的地方多放，遠離目標的地方少放。Rob Hess的代碼用的是后一種方法。狗放出去后，每條狗怎么搜索目標呢？就是按照初始化階段得到的目標特征(色調直方圖，向量V)。每條狗計算它所處的位置處圖像的顏色特征，得到一個色調直方圖，向量Vi，計算該直方圖與目標直方圖的相似性。相似性有多種度量，最簡單的一種是計算sum(abs(Vi-V)).每條狗算出相似度后再做一次歸一化，使得所有的狗得到的相似度加起來等於1.
3）決策階段
我們放出去的一條條聰明的狗向我們發回報告，“一號狗處圖像與目標的相似度是0.3”,“二號狗處圖像與目標的相似度是0.02”,“三號狗處圖像與目標的相似度是0.0003”,“N號狗處圖像與目標的相似度是0.013”...那么目標究竟最可能在哪里呢？我們做次加權平均吧。設N號狗的圖像像素坐標是(Xn,Yn),它報告的相似度是Wn,於是目標最可能的像素坐標X = sum(XnWn),Y = sum(YnWn).
4）重采樣階段Resampling
既然我們是在做目標跟蹤，一般說來，目標是跑來跑去亂動的。在新的一幀圖像里，目標可能在哪里呢？還是讓我們放狗搜索吧。但現在應該怎樣放狗呢？讓我們重溫下狗狗們的報告吧。“一號狗處圖像與目標的相似度是0.3”,“二號狗處圖像與目標的相似度是0.02”,“三號狗處圖像與目標的相似度是0.0003”,“N號狗處圖像與目標的相似度是0.013”...綜合所有狗的報告，一號狗處的相似度最高，三號狗處的相似度最低，於是我們要重新分布警力，正所謂好鋼用在刀刃上，我們在相似度最高的狗那里放更多條狗，在相似度最低的狗那里少放狗，甚至把原來那條狗也撤回來。這就是Sampling Importance Resampling，根據重要性重采樣(更具重要性重新放狗)。
(2)->(3)->(4)->(2)如是反復循環，即完成了目標的動態跟蹤。
根據我的粗淺理解，粒子濾波的核心思想是隨機采樣+重要性重采樣。既然我不知道目標在哪里，那我就隨機的撒粒子吧。撒完粒子后，根據特征相似度計算每個粒子的重要性，然后在重要的地方多撒粒子，不重要的地方少撒粒子。所以說粒子濾波較之蒙特卡洛濾波，計算量較小。這個思想和RANSAC算法真是不謀而合。RANSAC的思想也是(比如用在最簡單的直線擬合上)，既然我不知道直線方程是什么，那我就隨機的取兩個點先算個直線出來，然后再看有多少點符合我的這條直線。哪條直線能獲得最多的點的支持，哪條直線就是目標直線。想法非常簡單，但效果很好。