点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本文转载自：OpenCV学堂（CVSCHOOL）

卡尔曼滤波原理
卡尔曼滤波最早可以追溯到Wiener滤波，不同的是卡尔曼采用状态空间来描述它的滤波器，卡尔曼滤波器同时具有模糊/平滑与预测功能，特别是后者在视频分析与对象跟踪应用场景中被发扬光大，在离散空间(图像或者视频帧)使用卡尔曼滤波器相对简单。假设我们根据一个处理想知道一个变量值如下：最终卡尔曼滤波完整的评估与空间预测模型工作流程如下：OpenCV API
cv::KalmanFilter::KalmanFilter(int dynamParams, int measureParams,int controlParams = 0,int type = CV_32F
)
# dynamParams表示state的维度
# measureParams表示测量维度
# controlParams表示控制向量
# type表示创建的matrices
代码演示
import cv2
from math import cos, sin, sqrt
import numpy as npif __name__ == "__main__":img_height = 500img_width = 500kalman = cv2.KalmanFilter(2, 1, 0)cv2.namedWindow("Kalman", cv2.WINDOW_AUTOSIZE)while True:state = 0.1 * np.random.randn(2, 1)# 初始化kalman.transitionMatrix = np.array([[1., 1.], [0., 1.]])kalman.measurementMatrix = 1. * np.ones((1, 2))kalman.processNoiseCov = 1e-5 * np.eye(2)kalman.measurementNoiseCov = 1e-1 * np.ones((1, 1))kalman.errorCovPost = 1. * np.ones((2, 2))kalman.statePost = 0.1 * np.random.randn(2, 1)while True:def calc_point(angle):return (np.around(img_width/2 + img_width/3*cos(angle), 0).astype(int),np.around(img_height/2 - img_width/3*sin(angle), 1).astype(int))state_angle = state[0, 0]state_pt = calc_point(state_angle)# 预测prediction = kalman.predict()predict_angle = prediction[0, 0]predict_pt = calc_point(predict_angle)measurement = kalman.measurementNoiseCov * np.random.randn(1, 1)# 生成测量measurement = np.dot(kalman.measurementMatrix, state) + measurementmeasurement_angle = measurement[0, 0]measurement_pt = calc_point(measurement_angle)# plot pointsdef draw_cross(center, color, d):cv2.line(img,(center[0] - d, center[1] - d), (center[0] + d, center[1] + d),color, 1, cv2.LINE_AA, 0)cv2.line(img,(center[0] + d, center[1] - d), (center[0] - d, center[1] + d),color, 1, cv2.LINE_AA, 0)img = np.zeros((img_height, img_width, 3), np.uint8)cv2.line(img, state_pt, measurement_pt, (0, 0, 255), 3, cv2.LINE_AA, 0)cv2.line(img, state_pt, predict_pt, (255, 0, 0), 3, cv2.LINE_AA, 0)# 校正预测与测量值差异kalman.correct(measurement)# 更新noise矩阵与状态process_noise = sqrt(kalman.processNoiseCov[0,0]) * np.random.randn(2, 1)state = np.dot(kalman.transitionMatrix, state) + process_noisecv2.imshow("Kalman", img)code = cv2.waitKey(100)if code != -1:breakif code in [27, ord('q'), ord('Q')]:breakcv2.destroyWindow("Kalman")
好消息，小白学视觉团队的知识星球开通啦，为了感谢大家的支持与厚爱，团队决定将价值149元的知识星球现时免费加入。各位小伙伴们要抓住机会哦！下载1：OpenCV-Contrib扩展模块中文版教程在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。交流群欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~