kalman滤波（OpenCV中的KalmanFilter类）

转自 https://www.cnblogs.com/lylec/p/14353567.html

在目标跟踪领域，Kalman滤波器是一个很常用的方法。

以在二维平面中跟踪一个物体的位置和速度为例，说明如果实现一个简单的Kalman跟踪器。

具体使用OpenCV中的KalmanFilter类来实现。

1. 参数初始化
   kalman = cv2.KalmanFilter(4,2)
   表示Kalman滤波器转移矩阵维度为4，测量矩阵维度为2。

因为状态量包括4个（分别是x、y方向的位移和速度），可观测的量有2个（分别是x、y方向的位移）。

kalman.measurementMatrix = np.array([[1,0,0,0],[0,1,0,0]],np.float32)
测量矩阵及其含义为：

kalman.transitionMatrix = np.array([[1,0,1,0],[0,1,0,1],[0,0,1,0],[0,0,0,1]], np.float32)
转移矩阵及其含义为：

kalman.processNoiseCov = np.array([[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]], np.float32) * 0.003
kalman.measurementNoiseCov = np.array([[1,0],[0,1]], np.float32) * 0.5
过程噪声和测量噪声以一个经验值来估计。

2. 生成测试数据
   用三角函数叠加随机扰动的方式来生成测试数据。

def data_generator(length=100):
dxy = []
xy = []
last_xy = [0, 0]
for i in range(length):
x_base = 5 - 5 * math.cos(2 * i * math.pi / length)
y_base = 50 - 50 * math.cos(2 * i * math.pi / length)
x_noise = 1 * (random()-0.5)
y_noise = 20 * (random()-0.5)
dx_base = math.sin(2 * i * math.pi / length)
dy_base = 30 * math.sin(2 * i * math.pi / length)
dx_noise = 1 * (random()-0.5)
dy_noise = 5 * (random()-0.5)
cur_xy = [x_base + x_noise + dx_base + dx_noise,
y_base + y_noise + dy_base + dy_noise]
cur_dxy = [cur_xy[0]-last_xy[0], cur_xy[1]-last_xy[1]]
xy.append(cur_xy)
dxy.append(cur_dxy)
last_xy = cur_xy
return np.array(dxy, dtype=np.float32),
np.array(xy, dtype=np.float32)
3. 运行
核心就是kalman的两个方法：

correct更新当前测量值；
predict预测下一帧的值。
length = 100
dxy, xy = data_generator2(length)
dxy_pred = []
xy_pred = []
for i in range(length):
kalman.correct(xy[i])
current_prediction = kalman.predict()
xy_pred.append(current_prediction[:2, 0])
dxy_pred.append(current_prediction[2:, 0])
dxy_pred = np.stack(dxy_pred, axis=0)
xy_pred = np.stack(xy_pred, axis=0)
4. 可视化
利用Matplotlib将结果可视化后如下图所示：

Figure_1

可视化部分代码如下所示：

plot_image((xy, dxy, xy_pred, dxy_pred))

def plot_image(inputs):
xy, dxy, xy_pred, dxy_pred = inputs

fig, axes = plt.subplots(2, 2)
fig.set_size_inches(18, 9)
axes[0, 0].plot(xy[:,0], color='red', label='Measured')
axes[0, 0].plot(xy_pred[:,0], color='blue', label='Predicted')
axes[0, 1].plot(xy[:,1], color='red', label='Measured')
axes[0, 1].plot(xy_pred[:,1], color='blue', label='Predicted')
axes[1, 0].plot(dxy[:,0], color='red', label='Measured')
axes[1, 0].plot(dxy_pred[:,0], color='blue', label='Predicted')
axes[1, 1].plot(dxy[:,1], color='red', label='Measured')
axes[1, 1].plot(dxy_pred[:,1], color='blue', label='Predicted')

axes[0, 0].set_title('Distance - X',loc='center',fontstyle='normal')
axes[0, 1].set_title('Distance - Y',loc='center',fontstyle='normal')
axes[1, 0].set_title('Speed - X',loc='center',fontstyle='normal')
axes[1, 1].set_title('Speed - Y',loc='center',fontstyle='normal')
axes[0, 0].legend()
axes[0, 1].legend()
axes[1, 0].legend()
axes[1, 1].legend()
plt.show()
return