目标跟踪之卡尔曼滤波（原理）

本文主要从目标跟踪方面介绍卡尔曼滤波，如果想特别深入了解公式的话，可参考如下链接：
https://www.bilibili.com/video/BV1Rh41117MT/?spm_id_from=333.1007.top_right_bar_window_custom_collection.content.click
明天更新C++代码解析。
1、前言
由匈牙利匹配算法可知，一种常见的匹配算法是IOU匹配，也就是第一帧和第二针的边界框的IOU值（交并比）越高，则两框的距离离的越近，越容易匹配的到：

然而在实际问题中，可能会出现如下问题：
1）第二帧检测不到目标，或检测的框和第一帧的框没有重合部分，此时IOU为0；
此时可以保留前一帧的框，但误差较大，而卡尔曼滤波可以给你预测一个比上一帧更好的结果框
2）目标检测器检测能力不行
此时卡尔曼滤波可以根据前一帧k-1和当前帧k的目标检测框预测一个更好地框给当前框。
2、算法流程理解

从视频抽出两帧来，要跟踪的小车从左到右移动，我们有一个观测器可以观测都当前小车的位置，但这个观测器具有一定的误差。
t - 1时刻假设我们知道小车的具体位置x1，这个时候我们的任务也只有一个：把t 时刻的小车也给出一个具体位置 x2。
卡尔曼滤波大致流程可看做三步：预测、观测、加权。
预测：通过小车之前的速度信息，通过一定的模型预测出来当前帧的位置p1；
观测：通过观测器，我们可以观测到当前帧小车的位置q1；
加权：就是把我们预测的结果和观测的结果通过如下公式加权平均；
x2 = a*p1 + (1 - a)*q1 , 0 =< a <= 1
a权值，也叫卡尔曼系数；
而这三步，体现在目标跟踪上就是：
预测：通过之前边界框移动的信息，预测出当前框的位置；
观测：通过目标检测器（如YOLO）检测处当前框的位置；
加权：两个框的位置加权平均。

3、通过均值和方差跟踪边界框
3.1 输入：均值状态
我们需要把边界框的状态信息输入进去

学过自控的应该很好理解：

由于外力向量u可忽略，只看X即可：在需要跟踪的视频中，X可表示为：
X = [ cx cy w h vx vy vw vh ]
cx, cy：边界框的中心点
w , h : 边界框的宽和高
vx, vy, vw, vh: 变化速度
均值的话，即为所有目标框的均值
初始化中，可直接将速度设为零
3.2 方差：误差
在预测和观测中，都存在误差，但它们都服从高斯分布，该方差就是我们在估计中的不确定矩阵，而该矩阵需要我们自己微调，值越大代表误差越大：

该方差会在卡尔曼滤波的不断迭代过程中逐渐变小，也就是减少不确定性。
4、预测和更新
**4.1 预测：**基于track在t-1时刻的状态来预测其在t时刻的状态

在公式1中，x为track在t-1时刻的均值，F称为状态转移矩阵，该公式预测t时刻的x’：

矩阵F中的dt是当前帧和前一帧之间的差，将等号右边的矩阵乘法展开，可以得到cx’=cx+dtvx，cy’=cy+dtvy…，所以这里的卡尔曼滤波是一个匀速模型；
在公式2中，P为track在t-1时刻的协方差，Q为系统的噪声矩阵，代表整个系统的可靠程度，一般初始化为很小的值，该公式预测t时刻的P’；Q在目标跟踪当中就是卡尔曼第一步预测出来的误差，就比如如果你要跟踪的那辆车一直在匀速运动，那么这个Q(误差)就只需要设得很小。
4.2 更新
基于t时刻检测到的detection，校正与其关联的track的状态，得到一个更精确的结果。
更新公式如下图：


这个更新其实就是观测+加权；公式中体现出来的就是 x = x’ + Ky ， 其中x’是预测值，y是观测值
相关矩阵表示：测量矩阵Z（目标检测器），就是当前目标检测器看到的框，没有速度信息
Z = [ cx cy w h ]
转移矩阵H：

噪声矩阵R：

这个就是我们的目标检测器的误差，上面矩阵的值代表，对于cx和cy的误差没有那么大，而长和宽的预测的误差比较大。
得知矩阵的所有定义之后，我们就可以根据公式进行卡尔曼滤波的迭代了。