configureKalmanFilter
创建目标跟踪的卡尔曼滤波器
描述
kalmanFilter= configureKalmanFilter (MotionModel，InitialLocation，InitialEstimateError，MotionNoise，MeasurementNoise）愿景。KalmanFilter对象，配置为跟踪物理对象。物体在物体中以恒定的速度或加速度运动米维笛卡尔空间。函数决定维度的数量，米，从长度InitialLocation向量。
这个函数提供了一个简单的方法来配置愿景。KalmanFilter对象，用于在笛卡尔坐标系中跟踪物理对象。被跟踪的物体可以以恒定速度或恒定加速度运动。所有方面的统计数据都是相同的。如果你需要配置一个带有不同假设的卡尔曼滤波器，请使用愿景。KalmanFilter直接对象。
例子
跟踪一个被遮挡的对象
使用卡尔曼滤波、前景检测和斑点分析检测和跟踪球。
创建System对象来读取视频帧、检测前景物理对象和显示结果。
videoReader = videoReader (“singleball.mp4”）;放像机=愿景。放像机(“位置”[100100500400]);foregroundDetector =愿景。ForegroundDetector (“NumTrainingFrames”10．..“InitialVariance”, 0.05);blobAnalyzer =愿景。BlobAnalysis (“AreaOutputPort”假的,．..“MinimumBlobArea”, 70);
处理每个视频帧来检测和跟踪球。在读取当前视频帧后，示例使用背景减法和blob分析来搜索球。当第一次检测到球时，该示例创建一个卡尔曼滤波器。卡尔曼滤波器决定了球?年代location, whether it is detected or not. If the ball is detected, the Kalman filter first predicts its state at the current video frame. The filter then uses the newly detected location to correct the state, producing a filtered location. If the ball is missing, the Kalman filter solely relies on its previous state to predict the ball's current location.
kalmanFilter = [];isTrackInitialized = false;而hasFrame(videoReader) colorImage = readFrame(videoReader);foregroundMask =步骤(foregroundDetector im2gray (im2single (colorImage)));detectedLocation =步骤(blobAnalyzer foregroundMask);isObjectDetected = size(detectedLocation, 1) > 0; / /检测到位置如果~ isTrackInitialized如果isObjectDetected kalmanFilter = configureKalmanFilter(“ConstantAcceleration”，．..detectedLocation(1，:)， [1 1 1]*1e5， [25, 10, 10]， 25);isTrackInitialized = true;结束标签=＇＇；圆= 0 (0,3);其他的如果isObjectDetected预测(kalmanFilter);trackkedlocation = correct(kalmanFilter, detectedLocation(1，:));标签=“纠正”；其他的trackedLocation =预测(kalmanFilter);标签=“预测”；结束circle = [trackkedlocation, 5];结束colorImage = insertObjectAnnotation (colorImage,“圆”，．..圆,标签,“颜色”，“红色”）;步骤(放像机、colorImage);暂停(0.1);结束
释放资源。
释放(放像机);
输入参数
输出参数
算法
这个函数提供了一种配置视图的简单方法。KalmanFilter对象跟踪。卡尔曼滤波器实现了离散时间、线性状态空间系统。的configureKalmanFilter函数设置愿景。KalmanFilter对象属性。
的InitialLocation属性对应于卡尔曼滤波状态空间模型中使用的测量向量。这个表格涉及测量矢量，米，转化为卡尔曼滤波的状态空间模型。 |
||
| 状态转换模型,一个，以及测量模型，H | ||
状态转移模型，一个，以及测量模型，H的状态空间模型，设置为块对角矩阵米相同的子矩阵一个年代和H年代,分别为: 一个＝ H＝ |
||
| 余子式的一个年代和HS的描述如下: | ||
| MotionModel | 一个年代 | H年代 |
“ConstantVelocity” |
[1 1;0 1] | [1 0] |
“ConstantAcceleration” |
[1 1 0.5;0 1 1;0 0 1] | (1 0 0) |
| 初始状态,x： | ||
| MotionModel | 初始状态,x | |
“ConstantVelocity” |
［InitialLocation(1) 0…InitialLocation（米), 0] |
|
“ConstantAcceleration” |
［InitialLocation(1)， 0, 0，…InitialLocation（米), 0, 0) |
|
| 初始状态估计误差协方差矩阵，P： | ||
P＝诊断接头（repmat（InitialError, (1,米))) |
||
| 过程噪声协方差，问： | ||
问＝诊断接头（repmat（MotionNoise, (1,米))) |
||
| 测量噪声协方差，R： | ||
R＝诊断接头（repmat（MeasurementNoise, (1,米)))。 |
||
你也可以从以下列表中选择一个网站:
