版权声明:本文为博主原创文章,未经博主允许不得转载。
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权后校正状态变量的估计值,使状态变量估计误差的均方差最小。具体它的原理和实现,我想也不用我在这里费口舌,但这个理论基础必须的有,必须得知道想用kalman滤波做跟踪,必须得先建立运动模型和观察模型,不是想用就能用的。如果不能建立运动模型,也就意味着你所要面对的问题不能用kalman滤波解决。
我结合一下OpenCV自带的kalman.cpp这个例程来介绍一下如何在OpenCV中使用kalman滤波吧,OpenCV已经把Kalman滤波封装到一个类KalmanFilter中了。使用起来非常方便,但那繁多的各种矩阵还是容易让人摸不着头脑。这里要知道的一点是,想要用kalman滤波,要知道前一时刻的状态估计值x,当前的观测值y,还得建立状态方程和量测方程。有了这些就可以运用kalman滤波了。
OpenCV自带了例程里面是对一个1维点的运动跟踪,虽然这个点是在2维平面中运动,但由于它是在一个圆弧上运动,只有一个自由度,角度,所以还是1维的。还是一个匀速运动,建立匀速运动模型,设定状态变量x = [ x1, x2 ] = [ 角度,角速度 ],则运动模型为
x1(k+1) = x1(k)+x2(k)*T
x2(k+1)= x2(k)
则状态转移方程为
x* = Ax + w
这里设计的噪声是高斯随机噪声,则量测方程为:
z = Cx + v
看了代码,对应上以上各项:
状态估计值x --> state
当前观测值z --> measurement
KalmanFilter类内成员变量transitionMatrix就是状态转移方程中的矩阵A
KalmanFilter类内成员变量measurementMatrix就是量测方程中矩阵C
- Mat statePre; //!< predicted state (x'(k)): x(k)=A*x(k-1)+B*u(k)
- Mat statePost; //!< corrected state (x(k)): x(k)=x'(k)+K(k)*(z(k)-H*x'(k))
- Mat transitionMatrix; //!< state transition matrix (A)
- Mat controlMatrix; //!< control matrix (B) (not used if there is no control)
- Mat measurementMatrix; //!< measurement matrix (H)
- Mat processNoiseCov; //!< process noise covariance matrix (Q)
- Mat measurementNoiseCov;//!< measurement noise covariance matrix (R)
- Mat errorCovPre; //!< priori error estimate covariance matrix (P'(k)): P'(k)=A*P(k-1)*At + Q)*/
- Mat gain; //!< Kalman gain matrix (K(k)): K(k)=P'(k)*Ht*inv(H*P'(k)*Ht+R)
- Mat errorCovPost; //!< posteriori error estimate covariance matrix (P(k)): P(k)=(I-K(k)*H)*P'(k)
Mat statePre; //!< predicted state (x'(k)): x(k)=A*x(k-1)+B*u(k)
Mat statePost; //!< corrected state (x(k)): x(k)=x'(k)+K(k)*(z(k)-H*x'(k))
Mat transitionMatrix; //!< state transition matrix (A)
Mat controlMatrix; //!< control matrix (B) (not used if there is no control)
Mat measurementMatrix; //!< measurement matrix (H)
Mat processNoiseCov; //!< process noise covariance matrix (Q)
Mat measurementNoiseCov;//!< measurement noise covariance matrix (R)
Mat errorCovPre; //!< priori error estimate covariance matrix (P'(k)): P'(k)=A*P(k-1)*At + Q)*/
Mat gain; //!< Kalman gain matrix (K(k)): K(k)=P'(k)*Ht*inv(H*P'(k)*Ht+R)
Mat errorCovPost; //!< posteriori error estimate covariance matrix (P(k)): P(k)=(I-K(k)*H)*P'(k)
我想就不用我再翻译了吧。相信有了以上的注释,大家都能找到它们的对应项。
使用的时候,除了初始化我刚刚初始化过的transitionMatrix和measurementMatrix外,还需要初始化processNoiseCov,measurementNoiseCov和errorCovPost。
把它们初始化好之后,接下来的动作就很简单了,分两步走,第一步调用成员函数predict得到当前状态变量的估计值,第二步调用成员函数correct用观测值校正状态变量。再更新状态变量做下一次估计。听着好简单啊,代码就不上传坑爹了,在opencv2.3.1\samples\cpp\kalman.cpp中其义自见。
-
顶
- 30
-
踩
- 2
我的同类文章
- •OpenCV学习笔记(六十二)——《OpenCV Computer Version with Python》阅读摘要2014-08-30
- •OpenCV学习笔记(五十九)——marker检测识别"Master OpenCV"chp.22013-01-30
- •OpenCV学习笔记(五十七)——在同一窗口显示多幅图片2012-08-28
- •OpenCV学习笔记(五十五)——用OpenCV做人脸识别和性别识别contrib2012-07-15
- •OpenCV学习笔记(五十三)——新版本2.4.2简介&FREAK和ORB特征描述子效果对比features2d2012-07-10
- •OpenCV学习笔记(五十一)——imge stitching图像拼接stitching2012-05-22
- •OpenCV学习笔记(六十一)——建立支持OpenGL的OpenCV工程“Master OpenCV”chp.32013-01-23
- •OpenCV学习笔记(五十八)——读《Master OpenCV》初感2013-01-21
- •OpenCV学习笔记(五十六)——InputArray和OutputArray的那些事core2012-07-17
- •OpenCV学习笔记(五十四)——概述FaceRecognizer人脸识别类contrib2016-11-25
- •OpenCV学习笔记(五十二)——号外:OpenCV 2.4.1 又出来了。。。。。2012-06-06