DeepSORT（目标跟踪算法）中卡尔曼滤波器中的预测

最新推荐文章于 2025-04-30 16:36:16 发布
最新推荐文章于 2025-04-30 16:36:16 发布
阅读量512 收藏 5
点赞数 10
分类专栏： 多目标跟踪 文章标签： 目标跟踪 算法 人工智能 DeepSORT
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/flyfish1986/article/details/139600379
版权

DeepSORT（目标跟踪算法）中卡尔曼滤波器中的预测

flyfish

先略再详，先简洁的说，再细说。
卡尔曼滤波器的预测步骤主要有两个目标：

  1. 预测下一时刻的状态向量：根据当前状态和运动模型，预测对象在下一时刻的位置和速度。
  2. 更新协方差矩阵：根据运动模型和过程噪声，更新预测的状态不确定性。

两个重要的点

  • 运动模型：由状态转移矩阵 F \mathbf{F} F 描述，在代码中是 self._motion_mat。
  • 过程噪声：由过程噪声协方差矩阵 Q \mathbf{Q} Q 描述，在代码中是 motion_cov。

predict 函数

def predict(self, mean, covariance):
    """执行卡尔曼滤波的预测步骤。

    参数
    ----------
    mean : ndarray
        前一时间步长中对象状态的8维均值向量。
    covariance : ndarray
        前一时间步长中对象状态的8x8维协方差矩阵。

    返回
    -------
    (ndarray, ndarray)
        返回预测状态的均值向量和协方差矩阵。未观测到的速度初始化为0均值。
    """
    std_pos = [
        self._std_weight_position * mean[3],
        self._std_weight_position * mean[3],
        1e-2,
        self._std_weight_position * mean[3]]
    std_vel = [
        self._std_weight_velocity * mean[3],
        self._std_weight_velocity * mean[3],
        1e-5,
        self._std_weight_velocity * mean[3]]
    motion_cov = np.diag(np.square(np.r_[std_pos, std_vel]))

    mean = np.dot(self._motion_mat, mean)
    covariance = np.linalg.multi_dot((
        self._motion_mat, covariance, self._motion_mat.T)) + motion_cov

    return mean, covariance

预测步骤详解

  1. 过程噪声的标准差计算：
std_pos = [
    self._std_weight_position * mean[3],
    self._std_weight_position * mean[3],
    1e-2,
    self._std_weight_position * mean[3]]
std_vel = [
    self._std_weight_velocity * mean[3],
    self._std_weight_velocity * mean[3],
    1e-5,
    self._std_weight_velocity * mean[3]]
motion_cov = np.diag(np.square(np.r_[std_pos, std_vel]))
  • std_pos 和 std_vel 分别是位置和速度的不确定性的标准差。这些标准差基于当前状态中的高度（mean[3]）和预定义的权重系数 _std_weight_position 和 _std_weight_velocity 计算得出。
  • motion_cov 是过程噪声的协方差矩阵，表示由于模型的不确定性而引入的噪声。代码中过程噪声协方差矩阵 motion_cov 是一个对角矩阵， motion_cov 是对角矩阵，其中对角线元素是位置和速度标准差的平方，即方差。
    这些方差值是根据当前状态中的高度（mean[3]）和预定义的权重系数 _std_weight_position 和 _std_weight_velocity 计算得出的。
  1. 预测状态均值：
mean = np.dot(self._motion_mat, mean)
  • 使用状态转移矩阵 _motion_mat 对当前状态均值 mean 进行线性变换，预测下一时刻的状态均值。
  1. 预测协方差矩阵：
covariance = np.linalg.multi_dot((
    self._motion_mat, covariance, self._motion_mat.T)) + motion_cov
  • 使用状态转移矩阵 _motion_mat 更新协方差矩阵 covariance，并加上过程噪声的协方差矩阵 motion_cov，以反映由于运动模型和过程噪声引入的不确定性。

预测的内容

  • 状态均值（mean）：包含对象的预测位置和速度。这表示根据当前状态和运动模型，预测对象在下一时刻的位置和速度。
  • 协方差矩阵（covariance）：描述状态均值的不确定性。通过状态转移矩阵和过程噪声的更新，反映预测的不确定性。

具体理解过程噪声

假设当前状态的高度（mean[3]）为 h h h，过程噪声的标准差为：

  • 位置不确定性：_std_weight_position * h

  • 速度不确定性：_std_weight_velocity * h
    如果这些权重分别为 1 20 \frac{1}{20} 201​ 和 1 160 \frac{1}{160} 1601​，则过程噪声的方差（对角线元素）为：

  • 位置不确定性方差： ( h 20 ) 2 (\frac{h}{20})^2 (20h​)2

  • 速度不确定性方差： ( h 160 ) 2 (\frac{h}{160})^2 (160h​)2

过程噪声的含义

  1. 未建模的动态变化：
  • 系统中可能存在某些动态变化，未在运动模型中被完全描述。例如，在追踪一个行人时，行人可能会突然改变速度或方向，这种变化是无法通过简单的线性运动模型预测的。
  1. 外部扰动：
  • 过程噪声也可以包括由于外部环境引起的扰动。例如，风、地形变化或其他物体的干扰都会影响对象的实际运动。
  1. 系统内在的不确定性：
  • 即使在系统设计时考虑了所有已知的因素，实际系统中仍然存在一些内在的不确定性。例如，机械部件的磨损、传感器的精度限制等。

过程噪声在卡尔曼滤波中的作用

在卡尔曼滤波器的预测步骤中，过程噪声被加到预测的协方差矩阵上，用于反映由于这些不确定性引入的额外误差。它使得卡尔曼滤波器在更新步骤中对新观测数据的调整更为灵活。

综述

  • 过程噪声：代表系统在预测时的内在不确定性和外部扰动，描述了模型预测误差的来源。
  • 作用：在卡尔曼滤波的预测步骤中，通过增加协方差矩阵，反映预测的额外不确定性，使得滤波器更灵活地适应新观测数据。
  • 计算：在代码中通过标准差计算并构建成对角协方差矩阵 motion_cov，反映了位置和速度的过程噪声。
    过程噪声是卡尔曼滤波器的重要组成部分，确保了滤波器在面对现实世界的不确定性时具有鲁棒性。

状态均值预测公式

状态均值预测公式为：

x k ∣ k − 1 = F x k − 1 ∣ k − 1 \mathbf{x}_{k|k-1} = \mathbf{F} \mathbf{x}_{k-1|k-1} xk∣k−1​=Fxk−1∣k−1​
（这里不理解，没问题，因为下面会将公式展开，就容易理解了）
在代码中，这一部分实现为：

mean = np.dot(self._motion_mat, mean)

具体展开成详细的形式是：

假设当前状态均值向量 x k − 1 ∣ k − 1 \mathbf{x}_{k-1|k-1} xk−1∣k−1​ 为：

x k − 1 ∣ k − 1 = [ x y a h v x v y v a v h ] \mathbf{x}_{k-1|k-1} = \begin{bmatrix} x \\ y \\ a \\ h \\ vx \\ vy \\ va \\ vh \end{bmatrix} xk−1∣k−1​= ​xyahvxvyvavh​ ​

状态转移矩阵 F \mathbf{F} F 为：
[ 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 ] \begin{bmatrix}1 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 & 0 & 1 \\ 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 \end{bmatrix} ​10000000​01000000​00100000​00010000​10001000​01000100​00100010​00010001​ ​
那么，预测的状态均值 x k ∣ k − 1 \mathbf{x}_{k|k-1} xk∣k−1​为：
x k ∣ k − 1 = F x k − 1 ∣ k − 1 = [ 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 ] [ x y a h v x v y v a v h ] \mathbf{x}_{k|k-1} = \mathbf{F} \mathbf{x}_{k-1|k-1} = \begin{bmatrix} 1 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 & 0 & 1 \\ 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} x \\ y \\ a \\ h \\ vx \\ vy \\ va \\ vh \end{bmatrix} xk∣k−1​=Fxk−1∣k−1​= ​10000000​01000000​00100000​00010000​10001000​01000100​00100010​00010001​ ​ ​xyahvxvyvavh​ ​
计算结果是：
x k ∣ k − 1 = [ x + v x y + v y a + v a h + v h v x v y v a v h ] \mathbf{x}_{k|k-1} = \begin{bmatrix} x + vx \\ y + vy \\ a + va \\ h + vh \\ vx \\ vy \\ va \\ vh \end{bmatrix} xk∣k−1​= ​x+vxy+vya+vah+vhvxvyvavh​ ​
即，新的位置通过加上速度得到，而速度保持不变。

协方差矩阵预测公式

P k ∣ k − 1 = F P k − 1 ∣ k − 1 F ⊤ + Q \mathbf{P}_{k|k-1} = \mathbf{F} \mathbf{P}_{k-1|k-1} \mathbf{F}^\top + \mathbf{Q} Pk∣k−1​=FPk−1∣k−1​F⊤+Q
在代码中，这一部分实现为：

covariance = np.linalg.multi_dot((
self._motion_mat, covariance, self._motion_mat.T)) + motion_cov

具体展开成详细的形式是：
假设当前协方差矩阵 P k − 1 ∣ k − 1 \mathbf{P}_{k-1|k-1} Pk−1∣k−1​为：
P k − 1 ∣ k − 1 = [ P x x P x y P x a P x h P x v x P x v y P x v a P x v h P x y P y y P y a P y h P y v x P y v y P y v a P y v h P x a P y a P a a P a h P a v x P a v y P a v a P a v h P x h P y h P a h P h h P h v x P h v y P h v a P h v h P x v x P y v x P a v x P h v x P v x v x P v x v y P v x v a P v x v h P x v y P y v y P a v y P h v y P v x v y P v y v y P v y v a P v y v h P x v a P y v a P a v a P h v a P v x v a P v y v a P v a v a P v a v h P x v h P y v h P a v h P h v h P v x v h P v y v h P v a v h P v h v h ] \mathbf{P}_{k-1|k-1} = \begin{bmatrix} P_{xx} & P_{xy} & P_{xa} & P_{xh} & P_{xvx} & P_{xvy} & P_{xva} & P_{xvh} \\ P_{xy} & P_{yy} & P_{ya} & P_{yh} & P_{yvx} & P_{yvy} & P_{yva} & P_{yvh} \\ P_{xa} & P_{ya} & P_{aa} & P_{ah} & P_{avx} & P_{avy} & P_{ava} & P_{avh} \\ P_{xh} & P_{yh} & P_{ah} & P_{hh} & P_{hvx} & P_{hvy} & P_{hva} & P_{hvh} \\ P_{xvx} & P_{yvx} & P_{avx} & P_{hvx} & P_{vxvx} & P_{vxvy} & P_{vxva} & P_{vxvh} \\ P_{xvy} & P_{yvy} & P_{avy} & P_{hvy} & P_{vxvy} & P_{vyvy} & P_{vyva} & P_{vyvh} \\ P_{xva} & P_{yva} & P_{ava} & P_{hva} & P_{vxva} & P_{vyva} & P_{vava} & P_{vavh} \\ P_{xvh} & P_{yvh} & P_{avh} & P_{hvh} & P_{vxvh} & P_{vyvh} & P_{vavh} & P_{vhvh} \end{bmatrix} Pk−1∣k−1​= ​Pxx​Pxy​Pxa​Pxh​Pxvx​Pxvy​Pxva​Pxvh​​Pxy​Pyy​Pya​Pyh​Pyvx​Pyvy​Pyva​Pyvh​​Pxa​Pya​Paa​Pah​Pavx​Pavy​Pava​Pavh​​Pxh​Pyh​Pah​Phh​Phvx​Phvy​Phva​Phvh​​Pxvx​Pyvx​Pavx​Phvx​Pvxvx​Pvxvy​Pvxva​Pvxvh​​Pxvy​Pyvy​Pavy​Phvy​Pvxvy​Pvyvy​Pvyva​Pvyvh​​Pxva​Pyva​Pava​Phva​Pvxva​Pvyva​Pvava​Pvavh​​Pxvh​Pyvh​Pavh​Phvh​Pvxvh​Pvyvh​Pvavh​Pvhvh​​ ​
过程噪声协方差矩阵 Q \mathbf{Q} Q 为：
Q = m o t i o n _ c o v = [ σ x 2 0 0 0 0 0 0 0 0 σ y 2 0 0 0 0 0 0 0 0 σ a 2 0 0 0 0 0 0 0 0 σ h 2 0 0 0 0 0 0 0 0 σ v x 2 0 0 0 0 0 0 0 0 σ v y 2 0 0 0 0 0 0 0 0 σ v a 2 0 0 0 0 0 0 0 0 σ v h 2 ] \mathbf{Q} = {motion\_cov} = \begin{bmatrix} \sigma_{x}^2 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & \sigma_{y}^2 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & \sigma_{a}^2 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & \sigma_{h}^2 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & \sigma_{vx}^2 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & \sigma_{vy}^2 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & \sigma_{va}^2 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & \sigma_{vh}^2 \end{bmatrix} Q=motion_cov= ​σx2​0000000​0σy2​000000​00σa2​00000​000σh2​0000​0000σvx2​000​00000σvy2​00​000000σva2​0​0000000σvh2​​ ​

这个公式表示当前时刻的协方差矩阵通过状态转移矩阵左乘和右乘后，加上过程噪声协方差矩阵，得到下一时刻的协方差矩阵。

我们已经计算了 F P k − 1 ∣ k − 1 \mathbf{F} \mathbf{P}_{k-1|k-1} FPk−1∣k−1​ 的部分，现在继续计算 F P k − 1 ∣ k − 1 F ⊤ \mathbf{F} \mathbf{P}_{k-1|k-1} \mathbf{F}^\top FPk−1∣k−1​F⊤。

计算 ( F P k − 1 ∣ k − 1 ) F ⊤ (\mathbf{F} \mathbf{P}_{k-1|k-1}) \mathbf{F}^\top (FPk−1∣k−1​)F⊤

我们之前得到了：
F P k − 1 ∣ k − 1 = [ P x x + P x v x P x y + P x v y P x a + P x v a P x h + P x v h P x v x P x v y P x v a P x v h P x y + P y v x P y y + P y v y P y a + P y v a P y h + P y v h P y v x P y v y P y v a P y v h P x a + P a v x P y a + P a v y P a a + P a v a P a h + P a v h P a v x P a v y P a v a P a v h P x h + P h v x P y h + P h v y P a h + P h v a P h h + P h v h P h v x P h v y P h v a P h v h P x v x P y v x P a v x P h v x P v x v x P v x v y P v x v a P v x v h P x v y P y v y P a v y P h v y P v x v y P v y v y P v y v a P v y v h P x v a P y v a P a v a P h v a P v x v a P v y v a P v a v a P v a v h P x v h P y v h P a v h P h v h P v x v h P v y v h P v a v h P v h v h ] \mathbf{F} \mathbf{P}_{k-1|k-1} = \begin{bmatrix} P_{xx} + P_{xvx} & P_{xy} + P_{xvy} & P_{xa} + P_{xva} & P_{xh} + P_{xvh} & P_{xvx} & P_{xvy} & P_{xva} & P_{xvh} \\ P_{xy} + P_{yvx} & P_{yy} + P_{yvy} & P_{ya} + P_{yva} & P_{yh} + P_{yvh} & P_{yvx} & P_{yvy} & P_{yva} & P_{yvh} \\ P_{xa} + P_{avx} & P_{ya} + P_{avy} & P_{aa} + P_{ava} & P_{ah} + P_{avh} & P_{avx} & P_{avy} & P_{ava} & P_{avh} \\ P_{xh} + P_{hvx} & P_{yh} + P_{hvy} & P_{ah} + P_{hva} & P_{hh} + P_{hvh} & P_{hvx} & P_{hvy} & P_{hva} & P_{hvh} \\ P_{xvx} & P_{yvx} & P_{avx} & P_{hvx} & P_{vxvx} & P_{vxvy} & P_{vxva} & P_{vxvh} \\ P_{xvy} & P_{yvy} & P_{avy} & P_{hvy} & P_{vxvy} & P_{vyvy} & P_{vyva} & P_{vyvh} \\ P_{xva} & P_{yva} & P_{ava} & P_{hva} & P_{vxva} & P_{vyva} & P_{vava} & P_{vavh} \\ P_{xvh} & P_{yvh} & P_{avh} & P_{hvh} & P_{vxvh} & P_{vyvh} & P_{vavh} & P_{vhvh} \end{bmatrix} FPk−1∣k−1​= ​Pxx​+Pxvx​Pxy​+Pyvx​Pxa​+Pavx​Pxh​+Phvx​Pxvx​Pxvy​Pxva​Pxvh​​Pxy​+Pxvy​Pyy​+Pyvy​Pya​+Pavy​Pyh​+Phvy​Pyvx​Pyvy​Pyva​Pyvh​​Pxa​+Pxva​Pya​+Pyva​Paa​+Pava​Pah​+Phva​Pavx​Pavy​Pava​Pavh​​Pxh​+Pxvh​Pyh​+Pyvh​Pah​+Pavh​Phh​+Phvh​Phvx​Phvy​Phva​Phvh​​Pxvx​Pyvx​Pavx​Phvx​Pvxvx​Pvxvy​Pvxva​Pvxvh​​Pxvy​Pyvy​Pavy​Phvy​Pvxvy​Pvyvy​Pvyva​Pvyvh​​Pxva​Pyva​Pava​Phva​Pvxva​Pvyva​Pvava​Pvavh​​Pxvh​Pyvh​Pavh​Phvh​Pvxvh​Pvyvh​Pvavh​Pvhvh​​ ​
接下来，计算这个矩阵与 F ⊤ \mathbf{F}^\top F⊤ 的乘积：
F ⊤ = [ 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 ] \mathbf{F}^\top = \begin{bmatrix} 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 \\ 1 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 & 0 & 1 \end{bmatrix} F⊤= ​10001000​01000100​00100010​00010001​00001000​00000100​00000010​00000001​ ​
进行矩阵乘法：
( F P k − 1 ∣ k − 1 ) F ⊤ = [ P x x + P x v x P x y + P x v y P x a + P x v a P x h + P x v h P x v x P x v y P x v a P x v h P x y + P y v x P y y + P y v y P y a + P y v a P y h + P y v h P y v x P y v y P y v a P y v h P x a + P a v x P y a + P a v y P a a + P a v a P a h + P a v h P a v x P a v y P a v a P a v h P x h + P h v x P y h + P h v y P a h + P h v a P h h + P h v h P h v x P h v y P h v a P h v h P x v x P y v x P a v x P h v x P v x v x P v x v y P v x v a P v x v h P x v y P y v y P a v y P h v y P v x v y P v y v y P v y v a P v y v h P x v a P y v a P a v a P h v a P v x v a P v y v a P v a v a P v a v h P x v h P y v h P a v h P h v h P v x v h P v y v h P v a v h P v h v h ] [ 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 ] (\mathbf{F} \mathbf{P}_{k-1|k-1}) \mathbf{F}^\top = \begin{bmatrix} P_{xx} + P_{xvx} & P_{xy} + P_{xvy} & P_{xa} + P_{xva} & P_{xh} + P_{xvh} & P_{xvx} & P_{xvy} & P_{xva} & P_{xvh} \\ P_{xy} + P_{yvx} & P_{yy} + P_{yvy} & P_{ya} + P_{yva} & P_{yh} + P_{yvh} & P_{yvx} & P_{yvy} & P_{yva} & P_{yvh} \\ P_{xa} + P_{avx} & P_{ya} + P_{avy} & P_{aa} + P_{ava} & P_{ah} + P_{avh} & P_{avx} & P_{avy} & P_{ava} & P_{avh} \\ P_{xh} + P_{hvx} & P_{yh} + P_{hvy} & P_{ah} + P_{hva} & P_{hh} + P_{hvh} & P_{hvx} & P_{hvy} & P_{hva} & P_{hvh} \\ P_{xvx} & P_{yvx} & P_{avx} & P_{hvx} & P_{vxvx} & P_{vxvy} & P_{vxva} & P_{vxvh} \\ P_{xvy} & P_{yvy} & P_{avy} & P_{hvy} & P_{vxvy} & P_{vyvy} & P_{vyva} & P_{vyvh} \\ P_{xva} & P_{yva} & P_{ava} & P_{hva} & P_{vxva} & P_{vyva} & P_{vava} & P_{vavh} \\ P_{xvh} & P_{yvh} & P_{avh} & P_{hvh} & P_{vxvh} & P_{vyvh} & P_{vavh} & P_{vhvh} \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 & 0 & 1 \\ 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 \end{bmatrix} (FPk−1∣k−1​)F⊤= ​Pxx​+Pxvx​Pxy​+Pyvx​Pxa​+Pavx​Pxh​+Phvx​Pxvx​Pxvy​Pxva​Pxvh​​Pxy​+Pxvy​Pyy​+Pyvy​Pya​+Pavy​Pyh​+Phvy​Pyvx​Pyvy​Pyva​Pyvh​​Pxa​+Pxva​Pya​+Pyva​Paa​+Pava​Pah​+Phva​Pavx​Pavy​Pava​Pavh​​Pxh​+Pxvh​Pyh​+Pyvh​Pah​+Pavh​Phh​+Phvh​Phvx​Phvy​Phva​Phvh​​Pxvx​Pyvx​Pavx​Phvx​Pvxvx​Pvxvy​Pvxva​Pvxvh​​Pxvy​Pyvy​Pavy​Phvy​Pvxvy​Pvyvy​Pvyva​Pvyvh​​Pxva​Pyva​Pava​Phva​Pvxva​Pvyva​Pvava​Pvavh​​Pxvh​Pyvh​Pavh​Phvh​Pvxvh​Pvyvh​Pvavh​Pvhvh​​ ​ ​10000000​01000000​00100000​00010000​10001000​01000100​00100010​00010001​ ​
结果是：
( F P k − 1 ∣ k − 1 ) F ⊤ = [ P x x + 2 P x v x + P v x v x P x y + P x v y + P y v x + P v x v y P x a + P x v a + P a v x + P v x v a P x h + P x v h + P h v x + P v x v h P x v x + P v x v x P x v y + P v x v y P x v a + P v x v a P x v h + P v x v h P x y + P y v x + P x v y + P v x v y P y y + 2 P y v y + P v y v y P y a + P y v a + P a v y + P v y v a P y h + P y v h + P h v y + P v y v h P y v x + P v x v y P y v y + P v y v y P y v a + P v y v a P y v h + P v y v h P x a + P a v x + P x v a + P v x v a P y a + P a v y + P y v a + P v y v a P a a + 2 P a v a + P v a v a P a h + P a v h + P h v a + P v a v h P a v x + P v x v a P a v y + P v y v a P a v a + P v a v a P a v h + P v a v h P x h + P h v x + P x v h + P v x v h P y h + P h v y + P y v h + P v y v h P a h + P h v a + P a v h + P v a v h P h h + 2 P h v h + P v h v h P h v x + P v x v h P h v y + P v y v h P h v a + P v a v h P h v h + P v h v h P x v x + P v x v x P y v x + P v x v y P a v x + P v x v a P h v x + P v x v h P v x v x P v x v y P v x v a P v x v h P x v y + P v x v y P y v y + P v y v y P a v y + P v y v a P h v y + P v y v h P v x v y P v y v y P v y v a P v y v h P x v a + P v x v a P y v a + P v y v a P a v a + P v a v a P h v a + P v a v h P v x v a P v y v a P v a v a P v a v h P x v h + P v x v h P y v h + P v y v h P a v h + P v a v h P h v h + P v h v h P v x v h P v y v h P v a v h P v h v h ] (\mathbf{F} \mathbf{P}_{k-1|k-1}) \mathbf{F}^\top = \begin{bmatrix} P_{xx} + 2P_{xvx} + P_{vxvx} & P_{xy} + P_{xvy} + P_{yvx} + P_{vxvy} & P_{xa} + P_{xva} + P_{avx} + P_{vxva} & P_{xh} + P_{xvh} + P_{hvx} + P_{vxvh} & P_{xvx} + P_{vxvx} & P_{xvy} + P_{vxvy} & P_{xva} + P_{vxva} & P_{xvh} + P_{vxvh} \\ P_{xy} + P_{yvx} + P_{xvy} + P_{vxvy} & P_{yy} + 2P_{yvy} + P_{vyvy} & P_{ya} + P_{yva} + P_{avy} + P_{vyva} & P_{yh} + P_{yvh} + P_{hvy} + P_{vyvh} & P_{yvx} + P_{vxvy} & P_{yvy} + P_{vyvy} & P_{yva} + P_{vyva} & P_{yvh} + P_{vyvh} \\ P_{xa} + P_{avx} + P_{xva} + P_{vxva} & P_{ya} + P_{avy} + P_{yva} + P_{vyva} & P_{aa} + 2P_{ava} + P_{vava} & P_{ah} + P_{avh} + P_{hva} + P_{vavh} & P_{avx} + P_{vxva} & P_{avy} + P_{vyva} & P_{ava} + P_{vava} & P_{avh} + P_{vavh} \\ P_{xh} + P_{hvx} + P_{xvh} + P_{vxvh} & P_{yh} + P_{hvy} + P_{yvh} + P_{vyvh} & P_{ah} + P_{hva} + P_{avh} + P_{vavh} & P_{hh} + 2P_{hvh} + P_{vhvh} & P_{hvx} + P_{vxvh} & P_{hvy} + P_{vyvh} & P_{hva} + P_{vavh} & P_{hvh} + P_{vhvh} \\ P_{xvx} + P_{vxvx} & P_{yvx} + P_{vxvy} & P_{avx} + P_{vxva} & P_{hvx} + P_{vxvh} & P_{vxvx} & P_{vxvy} & P_{vxva} & P_{vxvh} \\ P_{xvy} + P_{vxvy} & P_{yvy} + P_{vyvy} & P_{avy} + P_{vyva} & P_{hvy} + P_{vyvh} & P_{vxvy} & P_{vyvy} & P_{vyva} & P_{vyvh} \\ P_{xva} + P_{vxva} & P_{yva} + P_{vyva} & P_{ava} + P_{vava} & P_{hva} + P_{vavh} & P_{vxva} & P_{vyva} & P_{vava} & P_{vavh} \\ P_{xvh} + P_{vxvh} & P_{yvh} + P_{vyvh} & P_{avh} + P_{vavh} & P_{hvh} + P_{vhvh} & P_{vxvh} & P_{vyvh} & P_{vavh} & P_{vhvh} \end{bmatrix} (FPk−1∣k−1​)F⊤= ​Pxx​+2Pxvx​+Pvxvx​Pxy​+Pyvx​+Pxvy​+Pvxvy​Pxa​+Pavx​+Pxva​+Pvxva​Pxh​+Phvx​+Pxvh​+Pvxvh​Pxvx​+Pvxvx​Pxvy​+Pvxvy​Pxva​+Pvxva​Pxvh​+Pvxvh​​Pxy​+Pxvy​+Pyvx​+Pvxvy​Pyy​+2Pyvy​+Pvyvy​Pya​+Pavy​+Pyva​+Pvyva​Pyh​+Phvy​+Pyvh​+Pvyvh​Pyvx​+Pvxvy​Pyvy​+Pvyvy​Pyva​+Pvyva​Pyvh​+Pvyvh​​Pxa​+Pxva​+Pavx​+Pvxva​Pya​+Pyva​+Pavy​+Pvyva​Paa​+2Pava​+Pvava​Pah​+Phva​+Pavh​+Pvavh​Pavx​+Pvxva​Pavy​+Pvyva​Pava​+Pvava​Pavh​+Pvavh​​Pxh​+Pxvh​+Phvx​+Pvxvh​Pyh​+Pyvh​+Phvy​+Pvyvh​Pah​+Pavh​+Phva​+Pvavh​Phh​+2Phvh​+Pvhvh​Phvx​+Pvxvh​Phvy​+Pvyvh​Phva​+Pvavh​Phvh​+Pvhvh​​Pxvx​+Pvxvx​Pyvx​+Pvxvy​Pavx​+Pvxva​Phvx​+Pvxvh​Pvxvx​Pvxvy​Pvxva​Pvxvh​​Pxvy​+Pvxvy​Pyvy​+Pvyvy​Pavy​+Pvyva​Phvy​+Pvyvh​Pvxvy​Pvyvy​Pvyva​Pvyvh​​Pxva​+Pvxva​Pyva​+Pvyva​Pava​+Pvava​Phva​+Pvavh​Pvxva​Pvyva​Pvava​Pvavh​​Pxvh​+Pvxvh​Pyvh​+Pvyvh​Pavh​+Pvavh​Phvh​+Pvhvh​Pvxvh​Pvyvh​Pvavh​Pvhvh​​ ​

最终的预测协方差矩阵

将上面的结果与过程噪声协方差矩阵 Q \mathbf{Q} Q 相加：
P k ∣ k − 1 = ( F P k − 1 ∣ k − 1 ) F ⊤ + Q \mathbf{P}_{k|k-1} = (\mathbf{F} \mathbf{P}_{k-1|k-1}) \mathbf{F}^\top + \mathbf{Q} Pk∣k−1​=(FPk−1∣k−1​)F⊤+Q
= [ P x x + 2 P x v x + P v x v x P x y + P x v y + P y v x + P v x v y P x a + P x v a + P a v x + P v x v a P x h + P x v h + P h v x + P v x v h P x v x + P v x v x P x v y + P v x v y P x v a + P v x v a P x v h + P v x v h P x y + P y v x + P x v y + P v x v y P y y + 2 P y v y + P v y v y P y a + P y v a + P a v y + P v y v a P y h + P y v h + P h v y + P v y v h P y v x + P v x v y P y v y + P v y v y P y v a + P v y v a P y v h + P v y v h P x a + P a v x + P x v a + P v x v a P y a + P a v y + P y v a + P v y v a P a a + 2 P a v a + P v a v a P a h + P a v h + P h v a + P v a v h P a v x + P v x v a P a v y + P v y v a P a v a + P v a v a P a v h + P v a v h P x h + P h v x + P x v h + P v x v h P y h + P h v y + P y v h + P v y v h P a h + P h v a + P a v h + P v a v h P h h + 2 P h v h + P v h v h P h v x + P v x v h P h v y + P v y v h P h v a + P v a v h P h v h + P v h v h P x v x + P v x v x P y v x + P v x v y P a v x + P v x v a P h v x + P v x v h P v x v x P v x v y P v x v a P v x v h P x v y + P v x v y P y v y + P v y v y P a v y + P v y v a P h v y + P v y v h P v x v y P v y v y P v y v a P v y v h P x v a + P v x v a P y v a + P v y v a P a v a + P v a v a P h v a + P v a v h P v x v a P v y v a P v a v a P v a v h P x v h + P v x v h P y v h + P v y v h P a v h + P v a v h P h v h + P v h v h P v x v h P v y v h P v a v h P v h v h ] + [ σ x 2 0 0 0 0 0 0 0 0 σ y 2 0 0 0 0 0 0 0 0 σ a 2 0 0 0 0 0 0 0 0 σ h 2 0 0 0 0 0 0 0 0 σ v x 2 0 0 0 0 0 0 0 0 σ v y 2 0 0 0 0 0 0 0 0 σ v a 2 0 0 0 0 0 0 0 0 σ v h 2 ] = \begin{bmatrix} P_{xx} + 2P_{xvx} + P_{vxvx} & P_{xy} + P_{xvy} + P_{yvx} + P_{vxvy} & P_{xa} + P_{xva} + P_{avx} + P_{vxva} & P_{xh} + P_{xvh} + P_{hvx} + P_{vxvh} & P_{xvx} + P_{vxvx} & P_{xvy} + P_{vxvy} & P_{xva} + P_{vxva} & P_{xvh} + P_{vxvh} \\ P_{xy} + P_{yvx} + P_{xvy} + P_{vxvy} & P_{yy} + 2P_{yvy} + P_{vyvy} & P_{ya} + P_{yva} + P_{avy} + P_{vyva} & P_{yh} + P_{yvh} + P_{hvy} + P_{vyvh} & P_{yvx} + P_{vxvy} & P_{yvy} + P_{vyvy} & P_{yva} + P_{vyva} & P_{yvh} + P_{vyvh} \\ P_{xa} + P_{avx} + P_{xva} + P_{vxva} & P_{ya} + P_{avy} + P_{yva} + P_{vyva} & P_{aa} + 2P_{ava} + P_{vava} & P_{ah} + P_{avh} + P_{hva} + P_{vavh} & P_{avx} + P_{vxva} & P_{avy} + P_{vyva} & P_{ava} + P_{vava} & P_{avh} + P_{vavh} \\ P_{xh} + P_{hvx} + P_{xvh} + P_{vxvh} & P_{yh} + P_{hvy} + P_{yvh} + P_{vyvh} & P_{ah} + P_{hva} + P_{avh} + P_{vavh} & P_{hh} + 2P_{hvh} + P_{vhvh} & P_{hvx} + P_{vxvh} & P_{hvy} + P_{vyvh} & P_{hva} + P_{vavh} & P_{hvh} + P_{vhvh} \\ P_{xvx} + P_{vxvx} & P_{yvx} + P_{vxvy} & P_{avx} + P_{vxva} & P_{hvx} + P_{vxvh} & P_{vxvx} & P_{vxvy} & P_{vxva} & P_{vxvh} \\ P_{xvy} + P_{vxvy} & P_{yvy} + P_{vyvy} & P_{avy} + P_{vyva} & P_{hvy} + P_{vyvh} & P_{vxvy} & P_{vyvy} & P_{vyva} & P_{vyvh} \\ P_{xva} + P_{vxva} & P_{yva} + P_{vyva} & P_{ava} + P_{vava} & P_{hva} + P_{vavh} & P_{vxva} & P_{vyva} & P_{vava} & P_{vavh} \\ P_{xvh} + P_{vxvh} & P_{yvh} + P_{vyvh} & P_{avh} + P_{vavh} & P_{hvh} + P_{vhvh} & P_{vxvh} & P_{vyvh} & P_{vavh} & P_{vhvh} \end{bmatrix} + \begin{bmatrix} \sigma_{x}^2 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & \sigma_{y}^2 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & \sigma_{a}^2 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & \sigma_{h}^2 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & \sigma_{vx}^2 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & \sigma_{vy}^2 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & \sigma_{va}^2 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & \sigma_{vh}^2 \end{bmatrix} = ​Pxx​+2Pxvx​+Pvxvx​Pxy​+Pyvx​+Pxvy​+Pvxvy​Pxa​+Pavx​+Pxva​+Pvxva​Pxh​+Phvx​+Pxvh​+Pvxvh​Pxvx​+Pvxvx​Pxvy​+Pvxvy​Pxva​+Pvxva​Pxvh​+Pvxvh​​Pxy​+Pxvy​+Pyvx​+Pvxvy​Pyy​+2Pyvy​+Pvyvy​Pya​+Pavy​+Pyva​+Pvyva​Pyh​+Phvy​+Pyvh​+Pvyvh​Pyvx​+Pvxvy​Pyvy​+Pvyvy​Pyva​+Pvyva​Pyvh​+Pvyvh​​Pxa​+Pxva​+Pavx​+Pvxva​Pya​+Pyva​+Pavy​+Pvyva​Paa​+2Pava​+Pvava​Pah​+Phva​+Pavh​+Pvavh​Pavx​+Pvxva​Pavy​+Pvyva​Pava​+Pvava​Pavh​+Pvavh​​Pxh​+Pxvh​+Phvx​+Pvxvh​Pyh​+Pyvh​+Phvy​+Pvyvh​Pah​+Pavh​+Phva​+Pvavh​Phh​+2Phvh​+Pvhvh​Phvx​+Pvxvh​Phvy​+Pvyvh​Phva​+Pvavh​Phvh​+Pvhvh​​Pxvx​+Pvxvx​Pyvx​+Pvxvy​Pavx​+Pvxva​Phvx​+Pvxvh​Pvxvx​Pvxvy​Pvxva​Pvxvh​​Pxvy​+Pvxvy​Pyvy​+Pvyvy​Pavy​+Pvyva​Phvy​+Pvyvh​Pvxvy​Pvyvy​Pvyva​Pvyvh​​Pxva​+Pvxva​Pyva​+Pvyva​Pava​+Pvava​Phva​+Pvavh​Pvxva​Pvyva​Pvava​Pvavh​​Pxvh​+Pvxvh​Pyvh​+Pvyvh​Pavh​+Pvavh​Phvh​+Pvhvh​Pvxvh​Pvyvh​Pvavh​Pvhvh​​ ​+ ​σx2​0000000​0σy2​000000​00σa2​00000​000σh2​0000​0000σvx2​000​00000σvy2​00​000000σva2​0​0000000σvh2​​ ​
最终得到：
P k ∣ k − 1 = [ P x x + 2 P x v x + P v x v x + σ x 2 P x y + P x v y + P y v x + P v x v y P x a + P x v a + P a v x + P v x v a P x h + P x v h + P h v x + P v x v h P x v x + P v x v x P x v y + P v x v y P x v a + P v x v a P x v h + P v x v h P x y + P y v x + P x v y + P v x v y P y y + 2 P y v y + P v y v y + σ y 2 P y a + P y v a + P a v y + P v y v a P y h + P y v h + P h v y + P v y v h P y v x + P v x v y P y v y + P v y v y P y v a + P v y v a P y v h + P v y v h P x a + P a v x + P x v a + P v x v a P y a + P a v y + P y v a + P v y v a P a a + 2 P a v a + P v a v a + σ a 2 P a h + P a v h + P h v a + P v a v h P a v x + P v x v a P a v y + P v y v a P a v a + P v a v a P a v h + P v a v h P x h + P h v x + P x v h + P v x v h P y h + P h v y + P y v h + P v y v h P a h + P h v a + P a v h + P v a v h P h h + 2 P h v h + P v h v h + σ h 2 P h v x + P v x v h P h v y + P v y v h P h v a + P v a v h P h v h + P v h v h P x v x + P v x v x P y v x + P v x v y P a v x + P v x v a P h v x + P v x v h P v x v x + σ v x 2 P v x v y P v x v a P v x v h P x v y + P v x v y P y v y + P v y v y P a v y + P v y v a P h v y + P v y v h P v x v y P v y v y + σ v y 2 P v y v a P v y v h P x v a + P v x v a P y v a + P v y v a P a v a + P v a v a P h v a + P v a v h P v x v a P v y v a P v a v a + σ v a 2 P v a v h P x v h + P v x v h P y v h + P v y v h P a v h + P v a v h P h v h + P v h v h P v x v h P v y v h P v a v h P v h v h + σ v h 2 ] \mathbf{P}_{k|k-1} = \begin{bmatrix} P_{xx} + 2P_{xvx} + P_{vxvx} + \sigma_{x}^2 & P_{xy} + P_{xvy} + P_{yvx} + P_{vxvy} & P_{xa} + P_{xva} + P_{avx} + P_{vxva} & P_{xh} + P_{xvh} + P_{hvx} + P_{vxvh} & P_{xvx} + P_{vxvx} & P_{xvy} + P_{vxvy} & P_{xva} + P_{vxva} & P_{xvh} + P_{vxvh} \\ P_{xy} + P_{yvx} + P_{xvy} + P_{vxvy} & P_{yy} + 2P_{yvy} + P_{vyvy} + \sigma_{y}^2 & P_{ya} + P_{yva} + P_{avy} + P_{vyva} & P_{yh} + P_{yvh} + P_{hvy} + P_{vyvh} & P_{yvx} + P_{vxvy} & P_{yvy} + P_{vyvy} & P_{yva} + P_{vyva} & P_{yvh} + P_{vyvh} \\ P_{xa} + P_{avx} + P_{xva} + P_{vxva} & P_{ya} + P_{avy} + P_{yva} + P_{vyva} & P_{aa} + 2P_{ava} + P_{vava} + \sigma_{a}^2 & P_{ah} + P_{avh} + P_{hva} + P_{vavh} & P_{avx} + P_{vxva} & P_{avy} + P_{vyva} & P_{ava} + P_{vava} & P_{avh} + P_{vavh} \\ P_{xh} + P_{hvx} + P_{xvh} + P_{vxvh} & P_{yh} + P_{hvy} + P_{yvh} + P_{vyvh} & P_{ah} + P_{hva} + P_{avh} + P_{vavh} & P_{hh} + 2P_{hvh} + P_{vhvh} + \sigma_{h}^2 & P_{hvx} + P_{vxvh} & P_{hvy} + P_{vyvh} & P_{hva} + P_{vavh} & P_{hvh} + P_{vhvh} \\ P_{xvx} + P_{vxvx} & P_{yvx} + P_{vxvy} & P_{avx} + P_{vxva} & P_{hvx} + P_{vxvh} & P_{vxvx} + \sigma_{vx}^2 & P_{vxvy} & P_{vxva} & P_{vxvh} \\ P_{xvy} + P_{vxvy} & P_{yvy} + P_{vyvy} & P_{avy} + P_{vyva} & P_{hvy} + P_{vyvh} & P_{vxvy} & P_{vyvy} + \sigma_{vy}^2 & P_{vyva} & P_{vyvh} \\ P_{xva} + P_{vxva} & P_{yva} + P_{vyva} & P_{ava} + P_{vava} & P_{hva} + P_{vavh} & P_{vxva} & P_{vyva} & P_{vava} + \sigma_{va}^2 & P_{vavh} \\ P_{xvh} + P_{vxvh} & P_{yvh} + P_{vyvh} & P_{avh} + P_{vavh} & P_{hvh} + P_{vhvh} & P_{vxvh} & P_{vyvh} & P_{vavh} & P_{vhvh} + \sigma_{vh}^2 \end{bmatrix} Pk∣k−1​= ​Pxx​+2Pxvx​+Pvxvx​+σx2​Pxy​+Pyvx​+Pxvy​+Pvxvy​Pxa​+Pavx​+Pxva​+Pvxva​Pxh​+Phvx​+Pxvh​+Pvxvh​Pxvx​+Pvxvx​Pxvy​+Pvxvy​Pxva​+Pvxva​Pxvh​+Pvxvh​​Pxy​+Pxvy​+Pyvx​+Pvxvy​Pyy​+2Pyvy​+Pvyvy​+σy2​Pya​+Pavy​+Pyva​+Pvyva​Pyh​+Phvy​+Pyvh​+Pvyvh​Pyvx​+Pvxvy​Pyvy​+Pvyvy​Pyva​+Pvyva​Pyvh​+Pvyvh​​Pxa​+Pxva​+Pavx​+Pvxva​Pya​+Pyva​+Pavy​+Pvyva​Paa​+2Pava​+Pvava​+σa2​Pah​+Phva​+Pavh​+Pvavh​Pavx​+Pvxva​Pavy​+Pvyva​Pava​+Pvava​Pavh​+Pvavh​​Pxh​+Pxvh​+Phvx​+Pvxvh​Pyh​+Pyvh​+Phvy​+Pvyvh​Pah​+Pavh​+Phva​+Pvavh​Phh​+2Phvh​+Pvhvh​+σh2​Phvx​+Pvxvh​Phvy​+Pvyvh​Phva​+Pvavh​Phvh​+Pvhvh​​Pxvx​+Pvxvx​Pyvx​+Pvxvy​Pavx​+Pvxva​Phvx​+Pvxvh​Pvxvx​+σvx2​Pvxvy​Pvxva​Pvxvh​​Pxvy​+Pvxvy​Pyvy​+Pvyvy​Pavy​+Pvyva​Phvy​+Pvyvh​Pvxvy​Pvyvy​+σvy2​Pvyva​Pvyvh​​Pxva​+Pvxva​Pyva​+Pvyva​Pava​+Pvava​Phva​+Pvavh​Pvxva​Pvyva​Pvava​+σva2​Pvavh​​Pxvh​+Pvxvh​Pyvh​+Pvyvh​Pavh​+Pvavh​Phvh​+Pvhvh​Pvxvh​Pvyvh​Pvavh​Pvhvh​+σvh2​​ ​

多目标跟踪算法 | DeepSort
黎国溥
02-09 5万+
前言 论文名称：（ICIP2017）Single-Simple Online and Realtime Tracking with a Deep Association Metric 论文地址：https://arxiv.org/abs/1703.07402 开源地址：https://github.com/nwojke/deep_sort 一、多目标跟踪的工作流程（常规） (1)给定视频的原始帧； (2)运行对象检测器以获得对象的边界框； (3)对于每个检测到的物体，计算出不同的特征.
卡尔曼滤波器（目标跟踪一）（上）
`or 1 or 不正经の泡泡
08-04 5631
本文主要是针对目标跟踪算法进行一个学习编码，从比较简单的卡尔曼滤波器开始，到后面的deepsort 和最后与yolo算法进行整合，到最后手动实现目标跟踪框架的流程进行。本着，无法造轮子就没有彻底理解的原则进行学习。那么废话不多说开始了。VIP:Free，白嫖可耻，拒接白嫖）...
卡尔曼滤波器：卡尔曼滤波器：基于速度测量预测位置
02-15
卡尔曼滤波 该示例应用程序使用Kalman滤波器基于速度测量来预测位置。 卡尔曼滤波算法 方程针对该应用进行了简化。 向量和矩阵： F：状态转换模型H：测量模型Q：过程噪声的协方差R：测量噪声的协方差x0：初始状态P0：初始误差协方差 方程式： 卡尔曼滤波器的计算： 例子 火车以80 km / h的恒定速度行驶。 每100毫秒测量一次速度。 过滤速度，并使用卡尔曼滤波器预测当前位置。 向量和矩阵： 位置的先验预测： 带有噪音的速度测量： 绘制速度和预测位置： 绘制卡尔曼增益和误差系数： 重要档案 train_position_prediction.py ：计算火车位置并绘制结果 speed_measurement.py ：模拟速度测量 kalman_filter.py ：预测位置。 安装及使用 克隆存储库 $ cd < your> $ git clon
卡尔曼预测点的位置（opencv）
weixin_43384504的博客
12-31 1277
参考博主：https://blog.csdn.net/gdfsg/article/details/50904811 个人理解暂时不用管这些乱七八招的理论，知道怎么使用。 注意 kf.correct(measurement)的含义，传入已知测量点并且更新 新的测量点。 新的测量点在就直接赋值给了kf.prdiction(）； 后续继续更新相关使...
卡尔曼滤波由目标位置信息，估算它的位置和速度信息
jngwe的博客
05-26 1万+
一个简单说明 这是我在做车辆速度估算中所用到的技术做个总结，并附上仿真代码。 主要用途为，知道了每一帧小车的二维位置信息 (posX, posY)，经过kalman滤波，输出更新后的小车位置信息 (posX, posY)以及它分解速度信息 (Vx, Vy)。 一、预测 在首帧数据来之前，我们是不知道小车的状态的，所以随便猜一个它的初始状态（或者滤波后，滤波结果就是状态），X=[1, 1, 0, 0]'，(表示初始位置为(1, 1)，x,y方向的速度为(0, 0))，X是一个需要更新的量 ...
卡尔曼滤波实例——预测橘子的轨迹
weixin_54627824的博客
10-23 1万+
step3:将质心送入卡尔曼滤波器，获取到预测的下一次橘子的质心位置。step1:获取橘子的检测框。视频中截图的一张带有橘子的图。step2:求取橘子的质心。检测橘子轮廓最小外边框代码。
卡尔曼滤波学习总结
bdl295的博客
10-31 6535
                                            卡尔曼滤波学习总结         本文内容主要基于《State Estimation for Robotics》，同时参考了一些其他教程，详见文末参考文献。所有内容仅代表个人理解，不当之处请批评指正。         卡尔曼滤波是对系统状态进行估计的一种方法，大体过程用一句话概括就是：根据系统模型和现有状...
Deepsort中匈牙利算法和卡尔曼滤波器
小呆苗的博客
07-12 549
Deepsort中的卡尔曼滤波器和匈牙利算法
目标跟踪算法-卡尔曼滤波详解
lqq
10-28 2858
卡尔曼滤波是一种递归的优化算法，用于估计一个系统的动态状态，常用于跟踪、导航、时间序列分析等领域。它的关键在于使用一系列测量数据（通常含噪声）来估计系统的真实状态，使得估计值更接近实际情况。卡尔曼滤波器适合在一维或多维的状态空间中跟踪一个随时间变化的系统状态。
移动跟踪-基于YOLOv10+DeepSort实现视频中移动目标跟踪算法-附项目源码+流程教程-优质项目实战.zip
06-07
总的来说，这个"移动跟踪-基于YOLOv10+DeepSort实现视频中移动目标跟踪算法"项目是学习和提升计算机视觉技能的理想平台。它不仅涵盖了先进的目标检测和跟踪技术，还提供了丰富的实践资料，对于想要深入理解和应用...
卡尔曼滤波算法
Starry__的博客
10-22 9698
基本思想 卡尔曼滤波器主要用于对系统状态的估计上，其算法思想是： 估计值=预测值+测量值 解释：根据系统状态在0,1,…,k-1时刻的估计值，预测k时刻的值x(k|k-1)。在查看k时刻传感器的测量值z(k)，基于最小均方误差（估计值与实际值之间误差的平方的均值最小）的原理，将预测值和测量值加权和得到最终的估计值x(k|k) 下面看两个例子便于理解。 案例一 有一条回家的路，你每天都开汽车走，因此...
关于卡尔曼滤波本质解释和公式推到
五仁月饼哭了的博客
07-25 1万+
转载：关于卡尔曼滤波和粒子滤波最直白的解释”       卡尔曼滤波本来是控制系统课上学的，当时就没学明白，也蒙混过关了，以为以后也不用再见到它了，可惜没这么容易，后来学计算机视觉和图像处理，发现用它的地方更多了，没办法的时候只好耐心学习和理解了。一直很想把学习的过程记录一下，让大家少走弯路，可惜总也没时间和机会，直到今天。。。       我一直有一个愿望，就是把抽象的理论具体化，用
卡尔曼滤波（Kalman filter）及预测
bufengzj的博客
04-11 4万+
参考文章：https://blog.csdn.net/baidu_38172402/article/details/82289998;https://www.jianshu.com/p/2768642e3abf kalman滤波的作用：1.数据滤波；2.数据预测 3.数据融合。其基本原理：是通过协方差 来进行加权。 1.什么是Kalman A Linear Dynami...
卡尔曼滤波——20.卡尔曼预测
weixin_33709219的博客
05-03 1142
现在你已经明白如何整合测量， 如何整合运动，完成了一维卡尔曼滤波，不过在现实中我们经常遇到多维的情况。 这就涉及到很多因素，举例，并说明为什么在较多纬度状态空间中估测很重要。 假设你有一个x和y的二维空间-比如一幅摄像头图像，或者在我们的例子中 我们可能采用一辆载有雷达的汽车来检测 车辆随着时间变化的位置，这时候二维卡尔曼滤波就非常适合。 具体工作原理是这样的，假设在时间t=0时 你观察到...
python 预测 位置_卡尔曼滤波在测量缺失且只知道位置的情况下的预测
weixin_39954464的博客
12-11 701
你需要展开你的模型并为速度添加状态(如果你想加速的话)。过滤器将根据位置估计新状态，并使用它们来预测位置，即使您没有位置测量值。在你的矩阵应该是这样的：过程噪声矩阵Q = np.diag([0.001, 0.001, 0.1, 0.1, 0.1, 0.1]) #enter correct numbers for vel and acc测量噪声矩阵保持不变协方差矩阵^{pr2}$观察矩阵H = np...
如何使用卡尔曼滤波（Kalman Filtering）实现对物体运动轨迹的预测？（附源码）
weixin_40247876的博客
11-06 4万+
OpenCV杂谈_13 一. 什么是卡尔曼滤波？它的用途又是什么？以及它有什么拓展？ 卡尔曼滤波（Kalman filtering, KF）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。 卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列中预测出物体的坐标位置及速度。在很多工程应用（雷达、计算机视觉）中都可以找到它的身影。同时，卡尔曼滤波也是控制理论以及控制系统工程中的一个重要话题。 为了解决普通KF仅能处理线性数据的问题，从而就有了用于解决非
卡尔曼滤波（Kalman Filter）原理理解和测试
热门推荐
一只小蜗牛 爬呀爬
01-18 5万+
Kalman Filter学原理学习 1. Kalman Filter 历史 Kalman滤波器的历史，最早要追溯到17世纪，Roger Cotes开始研究最小均方问题。但由于缺少实际案例的支撑（那个时候哪来那么多雷达啊啥的这些信号啊），Cotes的研究让人看着显得很模糊，因此在估计理论的发展中影响很小。17世纪中叶，最小均方估计（Least squares Estimation）理
代码随想录算法训练营Day39
最新发布
lololo的博客
04-30 1247
力扣213.打家劫舍Ⅱ【medium】 力扣543.二叉树的直径【easy】 力扣124.二叉树种的最大路径和【hard】 力扣337.打家劫舍Ⅲ【medium】
基础排序方法
2301_79976271的博客
04-29 1273
1.基本思想直接插入排序的实现，我们可以参考扑克牌的排序当我们要将新的牌插入现有牌堆时，保证当前手中的牌堆有序，再将新的牌与牌堆中的值进行比较，在进行比较与交换后，现在的牌堆就有序了。2.具体实现我们先进行单趟排序的实现，假设[0,end]的元素有序，这里即设第一个元素为有序的。此时要进行排序的元素为a[end+1]，将该元素依次与现有的有序牌堆进行比较。若当前值小于end处的值，交换。
DeepSORT多目标跟踪算法在Python中的实现与应用
资源摘要信息:"deep_sort-master:deepsort多目标跟踪" 一、介绍 Deep SORT (Deep Simple Online and Realtime Tracking) 是一种用于多目标跟踪的算法，它扩展了原始的SORT算法（Simple Online and Realtime ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

二分掌柜的

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值