configureKalmanFilter
创建对象跟踪卡尔曼滤波器
描述
kalmanFilter= configureKalmanFilter (MotionModel,InitialLocation,InitialEstimateError,MotionNoise,MeasurementNoise)vision.KalmanFilter对象配置跟踪一个物理对象。这个对象与恒定速度或加速度恒定在一个移动米维笛卡尔空间。这个函数确定尺寸的数量,米的长度InitialLocation向量。
该函数提供了一个简单的方法来配置vision.KalmanFilter对象跟踪一个物理对象在笛卡儿坐标系统。跟踪对象可能以恒定速度或加速度恒定。统计数据是相同的所有维度。如果您需要配置一个卡尔曼滤波器有不同的假设,使用vision.KalmanFilter直接对象。
例子
跟踪一个闭塞的对象
探测和跟踪球使用卡尔曼滤波,前景检测和blob分析。
创建系统对象读取视频帧,检测前景物体,并显示结果。
videoReader = videoReader (“singleball.mp4”);放像机= vision.VideoPlayer (“位置”[100100500400]);foregroundDetector = vision.ForegroundDetector (“NumTrainingFrames”10…“InitialVariance”,0.05);blobAnalyzer = vision.BlobAnalysis (“AreaOutputPort”假的,…“MinimumBlobArea”,70);
处理每个视频帧检测和跟踪球。在阅读当前视频帧,示例搜索球通过使用背景减法和blob分析。当球第一次发现,这个例子创建了一个卡尔曼滤波器。卡尔曼滤波器决定球?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 =大小(detectedLocation 1) > 0;如果~ isTrackInitialized如果isObjectDetected kalmanFilter = configureKalmanFilter (“ConstantAcceleration”,…:detectedLocation (1), (1 1 1) * 1 e5,[10] 25日,10日,25);isTrackInitialized = true;结束标签=”;圆= 0 (0,3);其他的如果isObjectDetected预测(kalmanFilter);trackedLocation =正确(kalmanFilter detectedLocation (1:));标签=“纠正”;其他的trackedLocation =预测(kalmanFilter);标签=“预测”;结束圆= [trackedLocation 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
这个函数提供了一个简单的方法来配置。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vision.KalmanFilter对象属性。
的InitialLocation属性对应的测量向量用于状态空间模型的卡尔曼滤波器。这个表相关的测量向量,米卡尔曼滤波器的状态空间模型。 |
||
| 状态转换模型,一个,和测量模型,H | ||
状态转换模型,一个和测量模型,H的状态空间模型,将制成的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H如下所述: | ||
| 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)))。 |
||
版本历史
介绍了R2012b
另请参阅
vision.BlobAnalysis|vision.ForegroundDetector|vision.KalmanFilter
主题
- 使用卡尔曼滤波跟踪对象
- 优化多目标跟踪器(传感器融合和跟踪工具箱)
- 自动优化多目标跟踪器的跟踪滤波器(传感器融合和跟踪工具箱)
- 多个对象跟踪
