kalmanfilter在目标跟踪中的应用

运动目标跟踪的目的是确定各运动目标的运动轨迹。

所以，要确定当前检测的目标与以往检测到的目标（受跟踪的动态目标）的关系。

1. 目标检测、分割

2. 目标特征匹配

3. 目标的特征估计与校正

运动目标的匹配特征信息一般包括：

1. 位置

2. 大小，size

3. 形状，如高宽比

4. 颜色，（已知的试验中，不太可靠）

5. 边缘特征

目标是动态的，所以，以上特征信息一般也是随着序列图像不断变化的。所以，估计、测量与校正形成一个反馈系统，利于目标跟踪。目标跟踪有很多种，KalmanFilter是常用的一种。

目标跟踪的目的：

一是更好的检测或监控，如行人，车辆持续跟踪

二是对目标进行一些统计，如车辆数目统计

其实两个应用本质相同：检测是否是新目标，去除序列图像中的重复检测。

以目标的位置特征为例，KalmanFilter的应用如下：

x ( t) = Ax ( t - 1)

x ( t) = (x , y , dx ,dy)T, x, y为位置坐标，dx，dy为速度

A =
1 0 1 0 
0 1 0 1 
0 0 1 0 
0 0 0 1 

由x(t-1)的位置，预估下一个位置为 !x(t)

目标观测为y(t)=(x, y)T.

状态更新为 x(t) = !x(t) + K(t)*[y(t)-H*!x(t)]

在预估的位置，设置一个区域，进行搜索匹配，若在此区域中搜索到目标，并匹配大于阈值，则此目标为持续跟踪的目标，可以去除重复检测，若为匹配特征小于阈值，则可能为新目标。

序列图像里，单个目标的状态有：

1. 目标出现

2. 目标持续存在

3. 目标消失

而多个目标的状态还存在更复杂的情况：

1. 目标重叠

这种情况在实际应用中复杂但更为常见。这时，要考虑目标的重合与分离状况。

在实际的开发应用中，会应用多种特征和更复杂的模型来跟踪目标，但其原理是不变的，把握这种思路，也就不会无从下手了。

在行人、车辆检测时，检测新目标需要更高的阈值进行确认，而跟踪已知的目标，则利用特征的变化，跟踪阈值会放宽。这就是目标跟踪的距离比新目标检测更远些的原因吧。