运动目标跟踪_

转自：http://blog.csdn.net/lindazhou2005/article/details/1534234

1、什么是卡尔曼滤波器（What is the Kalman Filter?）

在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！

卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载：http://www.cs.unc.edu/~welch/media/pdf/Kalman1960.pdf。

简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。

2、卡尔曼滤波器的介绍（Introduction to the Kalman Filter）

为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。

在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。

假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。

好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。

假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。

由于我们用于估算k时刻的实际温度有两个温度值，分别是23度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的covariance来判断。因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。

现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差（对应于上面的3）。

就是这样，卡尔曼滤波器就不断的把covariance递归，从而估算出最优的温度值。他运行的很快，而且它只保留了上一时刻的covariance。上面的Kg，就是卡尔曼增益（Kalman Gain）。他可以随不同的时刻而改变他自己的值，是不是很神奇！

下面就要言归正传，讨论真正工程系统上的卡尔曼。

3、卡尔曼滤波器算法（The Kalman Filter Algorithm）

在这一部分，我们就来描述源于Dr Kalman 的卡尔曼滤波器。下面的描述，会涉及一些基本的概念知识，包括概率（Probability），随即变量（Random Variable），高斯或正态分配（Gaussian Distribution）还有State-space Model等等。但对于卡尔曼滤波器的详细证明，这里不能一一描述。

首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述：

X(k)=A X(k-1)+B U(k)+W(k)

再加上系统的测量值：

Z(k)=H X(k)+V(k)

上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。

对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances 来估算系统的最优化输出（类似上一节那个温度的例子）。

首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：

X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1)

式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。

到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance：

P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2)

式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。

现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：

X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3)

其中Kg为卡尔曼增益(Kalman Gain)：

Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4)

到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：

P(k|k)=（I-Kg(k) H）P(k|k-1) ……… (5)

其中I 为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。

卡尔曼滤波器的原理基本描述了，式子1，2，3，4和5就是他的5 个基本公式。根据这5个公式，可以很容易的实现计算机的程序。

转自：http://blog.csdn.net/onezeros/article/details/6318944

#include <cv.h>

#include <cxcore.h>

#include <highgui.h>

#include <cmath>

#include <vector>

#include <iostream>

using namespace std;

const int winHeight=600;

const int winWidth=800;

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

//mouse event callback

void mouseEvent(int event, int x, int y, int flags, void *param )

{

if (event==CV_EVENT_MOUSEMOVE) {

mousePosition=cvPoint(x,y);

}

int main (void)

{

//1.kalman filter setup

const int stateNum=4;

const int measureNum=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);

float A[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

const CvMat* 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

char buf[256];

sprintf_s(buf,256,"predicted position:(%3d,%3d)",predict_pt.x,predict_pt.y);

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

sprintf_s(buf,256,"current position :(%3d,%3d)",mousePosition.x,mousePosition.y);

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

cvShowImage("kalman", img);

int key=cvWaitKey(3);

if (key==27){//esc

break;

}

cvReleaseImage(&img);

cvReleaseKalman(&kalman);

return 0;

}

其它参考文献：

1、 http://blog.csdn.net/yang_xian521/article/details/7050398

2、 http://www.aiseminar.cn/bbs/forum.php?mod=viewthread&tid=550

3、 http://hi.baidu.com/gotosuc/item/fa30b8c22679fa2446d5c082

4、 http://blog.csdn.net/wqvbjhc/article/details/6370038

运动目标跟踪__kalman相关推荐

OpenCV学习笔记（三十六）——Kalman滤波做运动目标跟踪 OpenCV学习笔记（三十七）——实用函数、系统函数、宏core OpenCV学习笔记（三十八）——显示当前FPS OpenC
OpenCV学习笔记(三十六)--Kalman滤波做运动目标跟踪 kalman滤波大家都很熟悉,其基本思想就是先不考虑输入信号和观测噪声的影响,得到状态变量和输出信号的估计值,再用输出信号的估计误差加 ...
OpenCV学习笔记（二十六）——小试SVM算法ml OpenCV学习笔记（二十七）——基于级联分类器的目标检测objdect OpenCV学习笔记（二十八）——光流法对运动目标跟踪Video Ope
OpenCV学习笔记(二十六)--小试SVM算法ml 总感觉自己停留在码农的初级阶段,要想更上一层,就得静下心来,好好研究一下算法的东西.OpenCV作为一个计算机视觉的开源库,肯定不会只停留在数字图 ...
matlab对摄像头实时运动目标检测,基于Matlab实时运动目标跟踪检测系统
2012.03 COMPUTER SECURITY 17 学术.技术基于 Matlab 实时运动目标跟踪检测系统汪惠兰,林航飞,李赔龙 (同济大学交通运输与工程学院,上海 201804) 摘要 ...
matlab运动物体仿真,运动目标跟踪的多模型算法仿真程序
运动目标跟踪的多模型算法仿真程序. 运动目标检测是运动目标跟踪的前提:运动目标检测,依据目标与摄像机之间的关系可以分为静态背景下的运动检测与动态背景下的运动检测. 一,静态背景下的运动检测:整个监控过 ...
随机数字信号处理期末大报告——基于卡尔曼滤波的自由落体运动目标跟踪MATLAB实现
完整的实验报告下载随机数字信号处理期末大报告-基于卡尔曼滤波的自由落体运动目标跟踪.docx-机器学习文档类资源-CSDN下载程序包及所需数据下载 target tracking us ...
基于MATLAB的视频运动目标跟踪与检测定位系统
一.课题背景视频运动目标检测与跟踪算法是计算机视觉领域的一个核心课题,也是智能视频监控系统的关键底层技术.它融合了图像处理.人工智能等领域的研究成果,已经广泛应用于安保监控.智能武器.视频会议.视频 ...
Kalman 滤波用于自由落体运动目标跟踪问题
某一物体在重力场做自由落体运动.观测装置对其位移进行检测,在传感器受到未知的独立分布随机信号的干扰下,我们需要估计该物体的运动位移和速度,该系统是二维状态估计系统. 不考虑x方向上位置变化,只估计y轴 ...
UKF学习笔记之匀速直线运动目标跟踪
UKF匀速直线运动目标跟踪无迹卡尔曼滤波运行结果无迹卡尔曼滤波代码: function UKF clc; clear; T=1; % 采样周期 N=60/T; % 采样次数 X=zeros(4 ...
运动目标跟踪算法综述
运动目标跟踪是视频监控系统中不可缺少的环节.在特定的场景中,有一些经典的算法可以实现比较好的目标跟踪效果.本文介绍了一般的目标跟踪算法,对几个常用的算法进行对比,并详细介绍了粒子滤波算法和基于轮廓的目 ...

运动目标跟踪__kalman

运动目标跟踪__kalman相关推荐

最新文章

热门文章