濃縮算法（條件密度傳播）是一種計算機視覺算法。其主要應用是檢測和跟蹤在雜亂環境中移動的物體的輪廓。物體跟蹤是計算機視覺中比較基本和困難的一個方面，通常是物體識別的前提條件。能夠識別圖像中哪些像素構成了物體的輪廓是一個非難的問題。凝結法是一種試圖解決這一問題的概率算法。Isard和Blake在1998年出版的《國際計算機視覺雜志》上對該算法本身進行了詳細描述。該算法最有趣的方面之一是它不對圖像的每個像素進行計算。相反，要處理的像素是隨機選擇的，并且只有像素的一個子集最終被處理。該方法的概率性質自然支持關于什么是移動的多種假設。評估功能主要來自于該領域以前的工作，包括許多標準的統計方法。這項工作的原創部分是對粒子過濾器估計技術的應用。該算法的創建是受到卡爾曼濾波在存在大量背景雜波的情況下無法很好地進行物體跟蹤的啟發。雜波的存在往往會產生物體狀態的概率分布，這些概率分布是多模態的，因此卡爾曼濾波的建模效果很差。濃縮算法在其最一般的形式下，不需要對物體或測量的概率分布進行假設。

濃縮算法旨在解決估計由矢量描述的物體的構象的問題{displaystylemathbf{z_{1},...,z_{t}}}的內容}的圖像中檢測到的特征，直到并包括當前時間。該算法輸出一個對狀態條件概率密度的估計值通過應用基于因子采樣的非線性濾波器，可以認為是蒙特卡洛方法的發展。是基于先前構象和測量結果的物體可能構象的概率表示。凝結算法是一個生成模型，因為它對物體和觀察者的聯合分布進行建模。對象在當前時間的條件密度為{displaystylep(mathbf{x_{t}|mathbf{z_{1},...,z_{t}}}是作為加權時間指數樣本集估計的。｝

被估計為一個加權的、以時間為指數的樣本集{displaystyles_{t}}中以替換方式取樣獲得。中的相應元素，概率等于假設物體的動態形成一個時間馬爾可夫鏈，并且觀察結果是相互獨立的，動態有利于凝結算法的實施。xxx個假設允許物體的動態完全由條件密度決定也必須為算法選擇，一般包括確定性和隨機性動態。該算法可以通過在時間上的初始化來概括

根據先驗分布，通過采樣形成初始樣本集和權重。例如，指定為高斯，并設置權重為彼此相等。