Joh*_*ohn 13 image-processing object video-processing kalman-filter
我正在尝试研究如何使用卡尔曼滤波器跟踪我自己在视频序列中移动的物体(球),所以请在我小时候向我解释.
通过一些算法(颜色分析,光流......),我能够得到每个视频帧的二进制图像,其中有跟踪对象(白色像素)和背景(黑色像素) - >我知道对象大小,对象质心,对象位置 - >只需简单地在对象周围绘制一个边界框 - >完成.为什么我需要在这里使用卡尔曼滤波器？
好吧,有人告诉我,因为我无法通过噪声检测每个视频帧中的物体,我需要使用卡尔曼滤波器来估计物体的位置.好的.但据我所知,我需要为卡尔曼滤波器提供输入.它们是先前的状态和测量.
当前状态的测量:这是我无法理解的.可以测量什么？ - 物体在当前帧中的位置？这很有趣,因为如果我知道对象的位置,我只需要在对象周围绘制一个简单的边界框(矩形).为什么我在这里需要卡尔曼滤波器？因此,不可能将当前帧中的对象的位置作为测量值. - "视频监控系统中基于卡尔曼滤波器的跟踪"文章说
卡尔曼滤波块的主要作用是为从光流分析块进入系统的每个测量分配跟踪滤波器.
如果您阅读完整的论文,您将看到作者将blob的最大数量和blob的最小大小作为卡尔曼滤波器的输入.这些参数如何用作测量？
我想我现在处于循环中.我想使用卡尔曼滤波器来跟踪物体的位置,但我需要知道该物体的位置作为卡尔曼滤波器的输入.到底是怎么回事？
还有一个问题,我不理解术语"卡尔曼滤波器的数量".在视频序列中,如果有2个对象需要跟踪 - >需要使用2个卡尔曼滤波器吗？这是什么意思？
car*_*eri 21
您不使用卡尔曼滤波器来初步估计某些东西; 你用它来根据一系列嘈杂的估计给你一个改进的估计.
为了使这更容易理解,想象一下你正在测量一些非动态的东西,比如成年人的身高.您测量一次,但您不确定结果的准确性,因此您连续10天再次测量,每次测量略有不同,比如说几毫米.那么您应该选择哪种测量值作为最佳值？我认为很容易看出,与使用任何单一测量值相比,取平均值可以更好地估计人的真实高度.
好的,但与卡尔曼滤波器有什么关系呢？
如上所述,卡尔曼滤波器基本上采用一系列测量的平均值,但对于动态系统.例如,假设您使用连接到跑步者的GPS +发射器单元提供的信息来测量马拉松跑步者在赛道上的位置.GPS每分钟给你一次阅读.但是那些读数是不准确的,你想要提高你对跑步者当前位置的了解.您可以通过以下方式执行此操作:
步骤1)使用最后几个读数,您可以估计跑步者的速度并估计他将来的任何时间(这是卡尔曼滤波器的预测部分).
步骤2)每当您收到新的GPS读数时,请对步骤1中获得的读数和估计值进行加权平均(这是卡尔曼滤波器的 更新部分).加权平均值的结果是位于预测位置和测量位置之间的新估计值,并且比其自身更准确.
请注意,您必须指定希望卡尔曼滤波器在预测部分中使用的模型.在马拉松选手示例中,您可以使用恒速模型.
Jas*_*n B 11
卡尔曼滤波器的目的是减轻测量中的噪声和其他不准确性.在您的情况下,测量是已从帧中分割出来的对象的x,y位置.如果您可以完美地将球分离出来并且每个帧只有背景中的球,则不需要卡尔曼滤波器,因为您的测量实际上不包含噪声.
在大多数应用中,由于多种原因(光照变化,背景变化,其他移动物体等)无法保证完美测量,因此需要有一种过滤测量的方法,以产生真实轨迹的最佳估计.
卡尔曼滤波器所做的是使用模型来预测下一个位置应该假设模型成立,然后将该估计值与您传入的实际测量值进行比较.实际测量结果与预测和噪声特性结合使用形成最终位置估计并更新噪声特征(测量与模型的差异程度).
该模型可以是对您要跟踪的系统进行建模的任何模型.常见的模型是恒定速度模型,其仅假设对象将继续以与先前估计中相同的速度移动.这并不是说该模型不会跟踪速度变化的情况,因为测量结果将反映速度的变化并影响估计.
有多种方法可以解决一次跟踪多个对象的问题.最简单的方法是为每个轨道使用独立的卡尔曼滤波器.这就是卡尔曼滤波器真正开始得到回报的原因,因为如果你使用简单的方法只使用边界框的质心,如果两个对象相互交叉会发生什么？你能再次区分哪个对象分开后是哪个？使用卡尔曼滤波器,您可以获得模型和预测,有助于在其他物体干扰时保持轨道正确.
还有更高级的方法可以像JPDAF一样联合跟踪多个对象.
杰森在卡尔曼滤波器方面有了一个良好的开端.关于纸张如何使用最大数量的斑点和斑点的最小尺寸的问题,这正是卡尔曼滤波器的强大功能.
测量不需要是位置,速度或加速度.测量值可以是您在某个时间点可以观察到的任何数量.如果您可以定义一个模型,在给定当前测量的下一个时间实例中预测您的测量,卡尔曼滤波器可以帮助您减轻噪声.
我建议你研究一下有关图像处理和计算机视觉的更多介绍性材料.这些材料几乎总是覆盖卡尔曼滤波器.
这是关于跟踪器的SIGGRAPH课程.它不是介绍性的,但应该让您更深入地了解该主题. http://www.cs.unc.edu/~tracker/media/pdf/SIGGRAPH2001_CoursePack_08.pdf