在机器视觉中追踪时常会用到预测算法，kalman是你一定知道的。它可以用来预测各种状态，比如说位置，速度等。关于它的理论有很多很好的文献可以参考。opencv给出了kalman

filter的一个实现，而且有范例，但估计不少人对它的使用并不清楚，因为我也是其中一个。本文的应用是对二维坐标进行预测和平滑

使用方法：

1、初始化

const int stateNum=4;//状态数，包括(x，y，dx，dy)坐标及速度(每次移动的距离)

const int measureNum=2;//观测量，能看到的是坐标值，当然也可以自己计算速度，但没必要

Kalman* kalman = cvCreateKalman( stateNum, measureNum, 0

);//state(x,y,detaX,detaY)

转移矩阵或者说增益矩阵的值好像有点莫名其妙

floatA[stateNum][stateNum] ={//transition matrix

1,0,1,0,

0,1,0,1,

0,0,1,0,

0,0,0,1

};

看下图就清楚了

X1=X+dx，依次类推

所以这个矩阵还是很容易却确定的，可以根据自己的实际情况定制转移矩阵

同样的方法，三维坐标的转移矩阵可以如下

floatA[stateNum][stateNum] ={//transition matrix

1,0,0,1,0,0,

0,1,0,0,1,0,

0,0,1,0,0,1,

0,0,0,1,0,0,

0,0,0,0,1,0,

0,0,0,0,0,1

};

当然并不一定得是1和0

2.预测cvKalmanPredict，然后读出自己需要的值

3.更新观测矩阵

4.更新CvKalman

只有第一步麻烦些。上述这几步跟代码中的序号对应

如果你在做tracking，下面的例子或许更有用些。

#include

#include

#include

#include

#include

#include

usingnamespacestd;

constintwinHeight=600;

constintwinWidth=800;

CvPoint mousePosition=cvPoint(winWidth>>1,winHeight>>1);

//mouse event callback

voidmouseEvent(intevent,intx,inty,intflags,void*param )

{

if(event==CV_EVENT_MOUSEMOVE) {

mousePosition=cvPoint(x,y);

}

}

intmain (void)

{

//1.kalman filter setup

constintstateNum=4;

constintmeasureNum=2;

CvKalman* kalman = cvCreateKalman( stateNum, measureNum, 0 );//state(x,y,detaX,detaY)

CvMat* process_noise = cvCreateMat( stateNum, 1, CV_32FC1 );

CvMat* measurement = cvCreateMat( measureNum, 1, CV_32FC1 );//measurement(x,y)

CvRNG rng = cvRNG(-1);

floatA[stateNum][stateNum] ={//transition matrix

1,0,1,0,

0,1,0,1,

0,0,1,0,

0,0,0,1

};

memcpy( kalman->transition_matrix->data.fl,A,sizeof(A));

cvSetIdentity(kalman->measurement_matrix,cvRealScalar(1) );

cvSetIdentity(kalman->process_noise_cov,cvRealScalar(1e-5));

cvSetIdentity(kalman->measurement_noise_cov,cvRealScalar(1e-1));

cvSetIdentity(kalman->error_cov_post,cvRealScalar(1));

//initialize post state of kalman filter at random

cvRandArr(&rng,kalman->state_post,CV_RAND_UNI,cvRealScalar(0),cvRealScalar(winHeight>winWidth?winWidth:winHeight));

CvFont font;

cvInitFont(&font,CV_FONT_HERSHEY_SCRIPT_COMPLEX,1,1);

cvNamedWindow("kalman");

cvSetMouseCallback("kalman",mouseEvent);

IplImage* img=cvCreateImage(cvSize(winWidth,winHeight),8,3);

while(1){

//2.kalman prediction

constCvMat* prediction=cvKalmanPredict(kalman,0);

CvPoint predict_pt=cvPoint((int)prediction->data.fl[0],(int)prediction->data.fl[1]);

//3.update measurement

measurement->data.fl[0]=(float)mousePosition.x;

measurement->data.fl[1]=(float)mousePosition.y;

//4.update

cvKalmanCorrect( kalman, measurement );

//draw

cvSet(img,cvScalar(255,255,255,0));

cvCircle(img,predict_pt,5,CV_RGB(0,255,0),3);//predicted point with green

cvCircle(img,mousePosition,5,CV_RGB(255,0,0),3);//current position with red

charbuf[256];

sprintf_s(buf,256,"predicted position:(=,=)",predict_pt.x,predict_pt.y);

cvPutText(img,buf,cvPoint(10,30),&font,CV_RGB(0,0,0));

sprintf_s(buf,256,"current position :(=,=)",mousePosition.x,mousePosition.y);

cvPutText(img,buf,cvPoint(10,60),&font,CV_RGB(0,0,0));

cvShowImage("kalman", img);

intkey=cvWaitKey(3);

if(key==27){//esc

break;

}

}

cvReleaseImage(&img);

cvReleaseKalman(&kalman);

return0;

}

kalman filter 视频演示：

demo snapshot：