计算机视觉工作总结5-位置预测

资料和方法

• <<计算机视觉 模型、学习与推理>>。讲的比较详细。
• <<学习OpenCV3>>仅仅讲述了OpenCV3的kalman滤波的源码，没有EKF或UKF的内容。
• <<概率机器人>>原理推导的非常详细。
• <<卡尔曼滤波原理及应用-MATLAB仿真>>目标跟踪的数学建模有一定的价值。

2019年下半年曾经对位置预测调研过一个阶段，调研了许多资料，还是无法理解卡尔曼滤波的内容。最近感觉需要结合源码对卡尔曼滤波进行一个理解，似乎是一个好的学习方法。

总体流程

其主要包括两部分:通过实际测量数据Zi+1修正预测器X，预测数据，两个模块。在<<图像处理、分析与机器视觉(第四版)>>的16.6，有详细论述。

卡尔曼滤波的时间间隔问题

卡尔曼滤波

以书籍<<概率机器人>>为参考说明这个问题。只有前后的状态转换有可能涉及到时间间隔问题。状态转换方程为。
$$

\overline {{\mu {\rm{t}}}} {\rm{ = }}{{\rm{A}}{\rm{t}}}{\mu _{t - 1}} + {B_t}{u_t}
$$
其他的步骤，都无法体现时间间隔这个概念。在博士论文<<Predictive Tracking for

扩展卡尔曼滤波

在扩展kalman滤波中，与时间相关的几个点为:

• 与kalman滤波一样，状态更新方程。 $\overline{{\mu }_{\mathrm{t}}}=g(u_t,{\mu }_{t-1})$
• 矩阵$G_t$ 。其$g(u_t,u_{t-1})$为 在t-1时刻测试更新值的偏导矩阵。
• 矩阵$H_t$ 。其为测量函数h(x)在t时刻预测值处的偏导矩阵。

时间间隔kalman矩阵的流程

Augmented Reality>>中，在状态转换部分，以微分方程的形式，体现了时间间隔的概念。其具体分三步进行。

1、 初始化。对EKF中所有值赋初值。

2、 时间更新。针对下一个测量时间点进行预测更新。

3、 策略更新。根据测量数据进行更新。

4、 预测。对此所需的时间点进行预测。

注意，其中第2和3是，标准的EKF滤波过程。第4步不是，其为根据实际需求而列出的步骤。