kalman跟踪的思路.docxVIP

这里给你说下kalman跟踪的思路吧：0.如果你的视频是实际录得话，为防止检测到伪目标，首先要对输入的图像进行滤波，简单的有中值均值滤波。1.对视频序列采用背景差分或帧间差分就可以得到运动区域了，这里重点就是背景建模，如果嫌麻烦也就别看什么单高斯或多高斯的了，直接找一个空帧(没有运动目标)当背景就OK了，差分后就有了运动区域，然后二值化方便以后的处理。然后视有没有阴影而进行阴影去除的工作。2.上边这步也就是检测出了运动区域，按你的检测出来是要给边边画圈，这个在matlab上好好研究研究怎样提取目标边缘的点，在原位图图上把边缘的点改变成一个同像素值就行了，这样检测就完了。3.跟踪，首先得找到目标的中心，因为目标不只是一个像素，必须有一个中心来表示它的坐标位置，这个方法自己想啦，什么取均值求外接矩形中心啊都可以的，然后每一帧都这么做就有一系列的中心坐标了。4.Kalman，Kalman的作用还是以滤波为主，相当于把第三步的那些坐标都当成信号序列，用Kalman滤波，边检测边滤波，kalman主要记住那5个公式，知道它的递推过程就基本能编出来了，至于滤波器参数就在参考文献里找吧，编出来kalman部分的程序没多少行的，别怕。5.如果是多目标跟踪的话就进行目标匹配的工作，相当于每帧都检测出两个目标，你要知道最新一帧中的每个分别对应的是前边帧的哪个目标。卡尔曼滤波器是一个最优化自回归数据处理方法，它是一个时域滤波器，是通过对时域上包含噪声的有限测量数据，计算出最接近实际值的方法。这里说它是一种递归的估计，是指只要获得上一时刻的状态值以及当前的状态观测值就可以计算出当前状态的估计值，因此不需要记录观测或者估计的历史信息。既然是一个时域滤波器，也就无需像低通滤波器那样，需要在频域进行滤波器设计而需要再转换到时域来实现。卡尔曼滤波器的典型应用是从一组包含噪声的对无物体位置的观察序列中预测出物体的位置坐标和速度，它的核心内容是5个计算公式，然而，仅仅给出5个计算公式显得过于抽象，不便于理解。这里，为了更加形象、更容易地理解卡尔曼滤波器，我给出网上摘取的一个例子来一步一步探索卡尔曼滤波器的原理。一、举例说明卡尔曼滤波器的原理（该例子转载自网络）?假设被研究对象是某个房间内的温度（当然，这里假设该房间内各处的温度是相等的，房间内不存在空调、风扇、暖气等局部发热或散热的设备）。根据生活经验，你认为这个房间内的温度是恒定的。即，下一时刻的温度等于当前时刻的温度。但是，你的生活经验并不是绝对的准确，所以，你确信自己对房间内温度的估计存在上下几度的偏差。这个偏差在这里假设是高斯白噪声的，即：偏差跟时间没有关系而且是服从高斯分布的。另外，在房间内放置一个温度计，用于测量房间内的温度。但是，由于制造工艺等因素，温度计的测量值也不是绝对准确的，即：温度计的测量值与真实值之间也存在一定的偏差，这个偏差也假设是高斯白噪声的。那么，对于任意时刻，我们可以得到该房间的两个温度值：你根据生活经验得到的估计值（系统的预测值）和温度计的测量值（系统的测量值）。下面我们用这两个值结合他们各自的噪声来估算出房间的实际温度值。假如我们要估算k时刻的实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。（1）因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度。（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）（2）然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度由于我们用于估算k时刻的实际温度有两个温度值，分别是23度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的协方差来判断。因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。可以看出，因为温度计的协方差比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差（对应于上面的3）。就是这样，卡尔曼滤波器就不断的把协方差递归，从而估算出最优的温度值。他运行的很快，而且它只保留了上一时刻的协方差。上面的Kg，就是卡尔曼增益（Kalman?Ga