DeepSORT(目标跟踪算法)中的状态向量与状态转移矩阵

2024-06-14 04:52

本文主要是介绍DeepSORT(目标跟踪算法)中的状态向量与状态转移矩阵,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

DeepSORT(目标跟踪算法)中的状态向量与状态转移矩阵

flyfish

状态转移矩阵(State Transition Matrix)F的构造

这篇是一定要看的,拖到文章的最后部分,需要理解状态转移矩阵怎么来的,怎么是这个样子

状态向量(State Vector)

状态向量描述系统在某个时间点的完整状态。它通常包括多个变量,例如位置、速度、加速度等,具体取决于系统的动态特性。

  • 记作 x k \mathbf{x}_k xk,其中 k k k 是时间步长。

状态转移矩阵(State Transition Matrix)

状态转移矩阵描述系统从一个时间点到下一个时间点的状态变化。它反映了状态向量的演化。

  • 记作 A k \mathbf{A}_k Ak,用于将状态向量从 x k − 1 \mathbf{x}_{k-1} xk1 转移到 x k \mathbf{x}_k xk
    x k = A k − 1 x k − 1 + B k − 1 u k − 1 + w k − 1 \mathbf{x}_k = \mathbf{A}_{k-1} \mathbf{x}_{k-1} + \mathbf{B}_{k-1} \mathbf{u}_{k-1} + \mathbf{w}_{k-1} xk=Ak1xk1+Bk1uk1+wk1

  • 状态向量与状态转移矩阵:状态转移矩阵 A k \mathbf{A}_k Ak 描述了状态向量 x k \mathbf{x}_k xk 如何从时间 k − 1 k-1 k1 转移到时间 k k k。例如,对于一个简单的运动模型,状态向量可能包括位置和速度,而状态转移矩阵描述了位置和速度在每个时间步长中的变化。例如,对于一个匀速直线运动模型,状态向量和状态转移矩阵可以表示为: x k = [ x k x ˙ k ] , A k = [ 1 Δ t 0 1 ] \mathbf{x}_k = \begin{bmatrix} x_k \\ \dot{x}_k \end{bmatrix}, \quad \mathbf{A}_k = \begin{bmatrix} 1 & \Delta t \\ 0 & 1 \end{bmatrix} xk=[xkx˙k],Ak=[10Δt1]这里, Δ t \Delta t Δt 是时间步长。

假设我们要跟踪一个在平面上运动的物体,其状态包括位置和速度:

  • 状态向量 x k \mathbf{x}_k xk: x k = [ x k y k x ˙ k y ˙ k ] \mathbf{x}_k = \begin{bmatrix} x_k \\ y_k \\ \dot{x}_k \\ \dot{y}_k \end{bmatrix} xk= xkykx˙ky˙k 这里 x k x_k xk y k y_k yk 是位置, x ˙ k \dot{x}_k x˙k y ˙ k \dot{y}_k y˙k 是速度。
  • 状态转移矩阵 A k \mathbf{A}_k Ak: A k = [ 1 0 Δ t 0 0 1 0 Δ t 0 0 1 0 0 0 0 1 ] \mathbf{A}_k = \begin{bmatrix} 1 & 0 & \Delta t & 0 \\ 0 & 1 & 0 & \Delta t \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix} Ak= 10000100Δt0100Δt01 这表示位置随时间步长 Δ t \Delta t Δt 变化。
状态预测

给定当前时间步长 k − 1 k-1 k1 的状态向量 x k − 1 \mathbf{x}_{k-1} xk1 和状态转移矩阵 A k − 1 \mathbf{A}_{k-1} Ak1,下一个时间步长 k k k 的预测状态向量 x ^ k ∣ k − 1 \hat{\mathbf{x}}_{k|k-1} x^kk1 可以表示为:
x ^ k ∣ k − 1 = A k − 1 x k − 1 + B k − 1 u k − 1 \hat{\mathbf{x}}_{k|k-1} = \mathbf{A}_{k-1} \mathbf{x}_{k-1} + \mathbf{B}_{k-1} \mathbf{u}_{k-1} x^kk1=Ak1xk1+Bk1uk1

  • A k − 1 \mathbf{A}_{k-1} Ak1 是状态转移矩阵,描述了系统的动态特性。
  • B k − 1 \mathbf{B}_{k-1} Bk1 是控制输入矩阵,描述了控制输入如何影响系统状态。
  • u k − 1 \mathbf{u}_{k-1} uk1 是控制输入向量,包含外部施加的控制量。
误差协方差预测

误差协方差矩阵 P k ∣ k − 1 \mathbf{P}_{k|k-1} Pkk1 也需要更新,以反映预测状态的不确定性。预测步骤的误差协方差矩阵更新公式为:
P k ∣ k − 1 = A k − 1 P k − 1 ∣ k − 1 A k − 1 T + Q k − 1 \mathbf{P}_{k|k-1} = \mathbf{A}_{k-1} \mathbf{P}_{k-1|k-1} \mathbf{A}_{k-1}^T + \mathbf{Q}_{k-1} Pkk1=Ak1Pk1∣k1Ak1T+Qk1

  • P k − 1 ∣ k − 1 \mathbf{P}_{k-1|k-1} Pk1∣k1 是当前时间步长 k − 1 k-1 k1 的误差协方差矩阵。
  • Q k − 1 \mathbf{Q}_{k-1} Qk1 是过程噪声协方差矩阵,反映了模型中未捕捉到的不确定性。

例子

假设我们要跟踪一个在平面上运动的物体,其状态向量包括位置和速度:
x k = [ x k y k x ˙ k y ˙ k ] \mathbf{x}_k = \begin{bmatrix} x_k \\ y_k \\ \dot{x}_k \\ \dot{y}_k \end{bmatrix} xk= xkykx˙ky˙k
假设物体做匀速直线运动,状态转移矩阵可以表示为:
A = [ 1 0 Δ t 0 0 1 0 Δ t 0 0 1 0 0 0 0 1 ] \mathbf{A} = \begin{bmatrix} 1 & 0 & \Delta t & 0 \\ 0 & 1 & 0 & \Delta t \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix} A= 10000100Δt0100Δt01
在没有控制输入的情况下,预测状态的计算如下:
x ^ k ∣ k − 1 = A x k − 1 \hat{\mathbf{x}}_{k|k-1} = \mathbf{A} \mathbf{x}_{k-1} x^kk1=Axk1
假设上一时间步长的状态向量为:
x k − 1 = [ 10 15 1 − 1 ] \mathbf{x}_{k-1} = \begin{bmatrix} 10 \\ 15 \\ 1 \\ -1 \end{bmatrix} xk1= 101511
其中,物体在位置 ( 10 , 15 ) (10, 15) (10,15) 处,速度为 ( 1 , − 1 ) (1, -1) (1,1) 米每秒,时间步长 Δ t = 1 \Delta t = 1 Δt=1 秒。

状态转移计算为:
x ^ k ∣ k − 1 = [ 1 0 1 0 0 1 0 1 0 0 1 0 0 0 0 1 ] [ 10 15 1 − 1 ] = [ 10 + 1 15 − 1 1 − 1 ] = [ 11 14 1 − 1 ] \hat{\mathbf{x}}_{k|k-1} = \begin{bmatrix} 1 & 0 & 1 & 0 \\ 0 & 1 & 0 & 1 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} 10 \\ 15 \\ 1 \\ -1 \end{bmatrix} = \begin{bmatrix} 10 + 1 \\ 15 - 1 \\ 1 \\ -1 \end{bmatrix} = \begin{bmatrix} 11 \\ 14 \\ 1 \\ -1 \end{bmatrix} x^kk1= 1000010010100101 101511 = 10+115111 = 111411
因此,通过状态转移矩阵,得到了下一个时间步长的预测状态向量 x ^ k ∣ k − 1 = [ 11 14 1 − 1 ] \hat{\mathbf{x}}_{k|k-1} = \begin{bmatrix} 11 \\ 14 \\ 1 \\ -1 \end{bmatrix} x^kk1= 111411

在卡尔曼滤波中,控制输入(control input)指的是系统在每个时间步长可以施加的外部影响或干预。控制输入常用于表示可以影响系统状态的外部因素,例如驾驶员对汽车的操控、无人机的推力指令等。

控制输入的作用

控制输入用于描述外部控制如何影响系统状态的变化。它在状态转移方程中起到了修正预测状态的作用,帮助更准确地反映系统的动态。

控制输入的数学描述

状态转移方程中引入控制输入项,使状态更新更全面:
x k = A k − 1 x k − 1 + B k − 1 u k − 1 + w k − 1 \mathbf{x}_k = \mathbf{A}_{k-1} \mathbf{x}_{k-1} + \mathbf{B}_{k-1} \mathbf{u}_{k-1} + \mathbf{w}_{k-1} xk=Ak1xk1+Bk1uk1+wk1
其中:

  • A k − 1 \mathbf{A}_{k-1} Ak1:状态转移矩阵,描述系统的内在动力学。
  • B k − 1 \mathbf{B}_{k-1} Bk1:控制输入矩阵,描述控制输入对系统状态的影响。
  • u k − 1 \mathbf{u}_{k-1} uk1:控制输入向量,表示外部施加的控制。
  • w k − 1 \mathbf{w}_{k-1} wk1:过程噪声,表示模型中未捕捉到的随机扰动。

示例

假设我们在跟踪一辆汽车,状态向量包括位置和速度:
x k = [ x k x ˙ k ] \mathbf{x}_k = \begin{bmatrix} x_k \\ \dot{x}_k \end{bmatrix} xk=[xkx˙k]

无控制输入的情况

状态转移矩阵假设汽车做匀速运动:
A = [ 1 Δ t 0 1 ] \mathbf{A} = \begin{bmatrix} 1 & \Delta t \\ 0 & 1 \end{bmatrix} A=[10Δt1]
预测下一时间步的状态为:
x ^ k ∣ k − 1 = A x k − 1 \hat{\mathbf{x}}_{k|k-1} = \mathbf{A} \mathbf{x}_{k-1} x^kk1=Axk1

有控制输入的情况

假设汽车可以通过加速或减速改变速度,控制输入向量表示加速度:
u k = a k \mathbf{u}_k = a_k uk=ak
控制输入矩阵描述加速度对速度和位置的影响:
B = [ 0.5 Δ t 2 Δ t ] \mathbf{B} = \begin{bmatrix} 0.5 \Delta t^2 \\ \Delta t \end{bmatrix} B=[0.5Δt2Δt]
状态转移方程引入控制输入后变为:
x ^ k ∣ k − 1 = A x k − 1 + B u k − 1 \hat{\mathbf{x}}_{k|k-1} = \mathbf{A} \mathbf{x}_{k-1} + \mathbf{B} \mathbf{u}_{k-1} x^kk1=Axk1+Buk1

具体计算

假设上一时间步的状态向量为:
x k − 1 = [ 10 5 ] \mathbf{x}_{k-1} = \begin{bmatrix} 10 \\ 5 \end{bmatrix} xk1=[105]
其中,位置为10米,速度为5米每秒。时间步长 Δ t = 1 \Delta t = 1 Δt=1 秒。

如果加速度为2米每秒平方( a k = 2 a_k = 2 ak=2),则控制输入向量为:
u k − 1 = 2 \mathbf{u}_{k-1} = 2 uk1=2
状态转移矩阵和控制输入矩阵为:
A = [ 1 1 0 1 ] , B = [ 0.5 1 ] \mathbf{A} = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}, \quad \mathbf{B} = \begin{bmatrix} 0.5 \\ 1 \end{bmatrix} A=[1011],B=[0.51]
预测下一时间步的状态为:
x ^ k ∣ k − 1 = A x k − 1 + B u k − 1 = [ 1 1 0 1 ] [ 10 5 ] + [ 0.5 1 ] ⋅ 2 = [ 15 5 ] + [ 1 2 ] = [ 16 7 ] \hat{\mathbf{x}}_{k|k-1} = \mathbf{A} \mathbf{x}_{k-1} + \mathbf{B} \mathbf{u}_{k-1} = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} 10 \\ 5 \end{bmatrix} + \begin{bmatrix} 0.5 \\ 1 \end{bmatrix} \cdot 2 = \begin{bmatrix} 15 \\ 5 \end{bmatrix} + \begin{bmatrix} 1 \\ 2 \end{bmatrix} = \begin{bmatrix} 16 \\ 7 \end{bmatrix} x^kk1=Axk1+Buk1=[1011][105]+[0.51]2=[155]+[12]=[167]
因此,通过引入控制输入,预测得到下一时间步的位置为16米,速度为7米每秒。

在卡尔曼滤波中,测量向量通过观测矩阵可以得到与实际测量值进行比较的预测测量值。这是滤波器更新步骤中的一个关键部分,用于校正预测的状态。

这篇关于DeepSORT(目标跟踪算法)中的状态向量与状态转移矩阵的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1059425

相关文章

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

一文详解SQL Server如何跟踪自动统计信息更新

《一文详解SQLServer如何跟踪自动统计信息更新》SQLServer数据库中,我们都清楚统计信息对于优化器来说非常重要,所以本文就来和大家简单聊一聊SQLServer如何跟踪自动统计信息更新吧... SQL Server数据库中,我们都清楚统计信息对于优化器来说非常重要。一般情况下,我们会开启"自动更新

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

Flutter监听当前页面可见与隐藏状态的代码详解

《Flutter监听当前页面可见与隐藏状态的代码详解》文章介绍了如何在Flutter中使用路由观察者来监听应用进入前台或后台状态以及页面的显示和隐藏,并通过代码示例讲解的非常详细,需要的朋友可以参考下... flutter 可以监听 app 进入前台还是后台状态,也可以监听当http://www.cppcn

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

MySQL 中的服务器配置和状态详解(MySQL Server Configuration and Status)

《MySQL中的服务器配置和状态详解(MySQLServerConfigurationandStatus)》MySQL服务器配置和状态设置包括服务器选项、系统变量和状态变量三个方面,可以通过... 目录mysql 之服务器配置和状态1 MySQL 架构和性能优化1.1 服务器配置和状态1.1.1 服务器选项

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

linux进程D状态的解决思路分享

《linux进程D状态的解决思路分享》在Linux系统中,进程在内核模式下等待I/O完成时会进入不间断睡眠状态(D状态),这种状态下,进程无法通过普通方式被杀死,本文通过实验模拟了这种状态,并分析了如... 目录1. 问题描述2. 问题分析3. 实验模拟3.1 使用losetup创建一个卷作为pv的磁盘3.