本文主要是介绍DeepSORT(目标跟踪算法) 卡尔曼滤波的完整流程,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) 卡尔曼滤波的完整流程
flyfish
DeepSORT(目标跟踪算法)中的状态向量与状态转移矩阵
DeepSORT(目标跟踪算法)中卡尔曼滤波器中的更新
DeepSORT(目标跟踪算法)中卡尔曼增益的理解
DeepSORT(目标跟踪算法)中的卡尔曼滤波 - 看了就会的状态转移矩阵
DeepSORT(目标跟踪算法)中的初始化卡尔曼滤波器的状态向量和协方差矩阵
DeepSORT(目标跟踪算法)中卡尔曼滤波器中的预测
DeepSORT(目标跟踪算法)中自由度决定卡方分布的形状
DeepSORT(目标跟踪算法)中的解三角方程计算标准化残差(解线性方程组)
DeepSORT(目标跟踪算法)中的计算观测值与状态估计的马氏距离
DeepSORT(目标跟踪算法)中的马氏距离详解(很详细)
DeepSORT(目标跟踪算法)中 可以设置阈值进行异常检测或目标跟踪的原因
DeepSORT(目标跟踪算法)中的数值表格与调参的关系
卡尔曼滤波的完整流程
1. 初始化
在第一个时刻,需要初始化状态向量和误差协方差矩阵:
- 状态向量(State Vector) x 0 \mathbf{x}_0 x0:对系统初始状态的估计。
- 误差协方差矩阵(Error Covariance Matrix) P 0 \mathbf{P}_0 P0:初始状态估计的不确定性。
2. 预测步骤(Prediction Step)
预测系统在下一个时刻的状态和误差协方差矩阵。
- 预测状态(Predicted State) x ^ k ∣ k − 1 \hat{\mathbf{x}}_{k|k-1} x^k∣k−1: x ^ k ∣ k − 1 = A k − 1 x ^ k − 1 ∣ k − 1 + B k − 1 u k − 1 \hat{\mathbf{x}}_{k|k-1} = \mathbf{A}_{k-1} \hat{\mathbf{x}}_{k-1|k-1} + \mathbf{B}_{k-1} \mathbf{u}_{k-1} x^k∣k−1=Ak−1x^k−1∣k−1+Bk−1uk−1其中, A k − 1 \mathbf{A}_{k-1} Ak−1 是状态转移矩阵, B k − 1 \mathbf{B}_{k-1} Bk−1 是控制输入矩阵, u k − 1 \mathbf{u}_{k-1} uk−1 是控制输入。
- 预测误差协方差矩阵(Predicted Error Covariance Matrix) P k ∣ k − 1 \mathbf{P}_{k|k-1} Pk∣k−1: 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} Pk∣k−1=Ak−1Pk−1∣k−1Ak−1T+Qk−1其中, Q k − 1 \mathbf{Q}_{k-1} Qk−1 是过程噪声协方差矩阵。
3. 更新步骤(Update Step)
利用新测量数据更新预测的状态和误差协方差矩阵。
- 卡尔曼增益(Kalman Gain) K k \mathbf{K}_k Kk: K k = P k ∣ k − 1 H k T ( H k P k ∣ k − 1 H k T + R k ) − 1 \mathbf{K}_k = \mathbf{P}_{k|k-1} \mathbf{H}_k^T (\mathbf{H}_k \mathbf{P}_{k|k-1} \mathbf{H}_k^T + \mathbf{R}_k)^{-1} Kk=Pk∣k−1HkT(HkPk∣k−1HkT+Rk)−1其中, H k \mathbf{H}_k Hk 是观测矩阵, R k \mathbf{R}_k Rk 是观测噪声协方差矩阵。
- 更新状态(Updated State) x ^ k ∣ k \hat{\mathbf{x}}_{k|k} x^k∣k: x ^ k ∣ k = x ^ k ∣ k − 1 + K k ( z k − H k x ^ k ∣ k − 1 ) \hat{\mathbf{x}}_{k|k} = \hat{\mathbf{x}}_{k|k-1} + \mathbf{K}_k (\mathbf{z}_k - \mathbf{H}_k \hat{\mathbf{x}}_{k|k-1}) x^k∣k=x^k∣k−1+Kk(zk−Hkx^k∣k−1)其中, z k \mathbf{z}_k zk 是测量向量。
- 更新误差协方差矩阵(Updated Error Covariance Matrix) P k ∣ k \mathbf{P}_{k|k} Pk∣k: P k ∣ k = ( I − K k H k ) P k ∣ k − 1 \mathbf{P}_{k|k} = (\mathbf{I} - \mathbf{K}_k \mathbf{H}_k) \mathbf{P}_{k|k-1} Pk∣k=(I−KkHk)Pk∣k−1其中, I \mathbf{I} I 是单位矩阵。
4. 循环迭代
重复步骤2和步骤3,处理每个新的测量数据。
各个字母的含义
1. 预测步骤(Prediction Step)
预测步骤包括状态预测和误差协方差预测。
状态预测(State Prediction)
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^k∣k−1=Ak−1xk−1+Bk−1uk−1
- x ^ k ∣ k − 1 \hat{\mathbf{x}}_{k|k-1} x^k∣k−1:预测的状态向量(在时间 k k k 时的先验估计)。
- A k − 1 \mathbf{A}_{k-1} Ak−1:状态转移矩阵,描述系统从时间 k − 1 k-1 k−1 到时间 k k k 的动态。
- x k − 1 \mathbf{x}_{k-1} xk−1:在时间 k − 1 k-1 k−1 时的状态向量(后验估计)。
- B k − 1 \mathbf{B}_{k-1} Bk−1: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} uk−1:在时间 k − 1 k-1 k−1 时的控制输入向量。
误差协方差预测(Error Covariance Prediction)
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} Pk∣k−1=Ak−1Pk−1∣k−1Ak−1T+Qk−1
- P k ∣ k − 1 \mathbf{P}_{k|k-1} Pk∣k−1:预测的误差协方差矩阵(在时间 k k k 时的先验估计的不确定性)。
- P k − 1 ∣ k − 1 \mathbf{P}_{k-1|k-1} Pk−1∣k−1:在时间 k − 1 k-1 k−1 时的误差协方差矩阵(后验估计的不确定性)。
- A k − 1 \mathbf{A}_{k-1} Ak−1:状态转移矩阵。
- Q k − 1 \mathbf{Q}_{k-1} Qk−1:过程噪声协方差矩阵,描述系统过程噪声的不确定性。
2. 更新步骤(Update Step)
更新步骤包括计算卡尔曼增益、更新状态估计和更新误差协方差矩阵。
计算卡尔曼增益(Kalman Gain Calculation)
K k = P k ∣ k − 1 H k T ( H k P k ∣ k − 1 H k T + R k ) − 1 \mathbf{K}_k = \mathbf{P}_{k|k-1} \mathbf{H}_k^T (\mathbf{H}_k \mathbf{P}_{k|k-1} \mathbf{H}_k^T + \mathbf{R}_k)^{-1} Kk=Pk∣k−1HkT(HkPk∣k−1HkT+Rk)−1
- K k \mathbf{K}_k Kk:卡尔曼增益矩阵,描述测量值对状态估计的影响。
- P k ∣ k − 1 \mathbf{P}_{k|k-1} Pk∣k−1:预测的误差协方差矩阵。
- H k \mathbf{H}_k Hk:观测矩阵,描述状态向量到测量向量的映射。
- R k \mathbf{R}_k Rk:测量噪声协方差矩阵,描述测量噪声的不确定性。
更新状态估计(State Update)
x k ∣ k = x ^ k ∣ k − 1 + K k ( z k − H k x ^ k ∣ k − 1 ) \mathbf{x}_{k|k} = \hat{\mathbf{x}}_{k|k-1} + \mathbf{K}_k (\mathbf{z}_k - \mathbf{H}_k \hat{\mathbf{x}}_{k|k-1}) xk∣k=x^k∣k−1+Kk(zk−Hkx^k∣k−1)
- x k ∣ k \mathbf{x}_{k|k} xk∣k:更新后的状态向量(在时间 k k k 时的后验估计)。
- x ^ k ∣ k − 1 \hat{\mathbf{x}}_{k|k-1} x^k∣k−1:预测的状态向量。
- K k \mathbf{K}_k Kk:卡尔曼增益矩阵。
- z k \mathbf{z}_k zk:在时间 k k k 时的实际测量向量。
- H k \mathbf{H}_k Hk:观测矩阵。
- H k x ^ k ∣ k − 1 \mathbf{H}_k \hat{\mathbf{x}}_{k|k-1} Hkx^k∣k−1:预测测量值。
更新误差协方差矩阵(Error Covariance Update)
P k ∣ k = ( I − K k H k ) P k ∣ k − 1 \mathbf{P}_{k|k} = (\mathbf{I} - \mathbf{K}_k \mathbf{H}_k) \mathbf{P}_{k|k-1} Pk∣k=(I−KkHk)Pk∣k−1
- P k ∣ k \mathbf{P}_{k|k} Pk∣k:更新后的误差协方差矩阵(在时间 k k k 时的后验估计的不确定性)。
- I \mathbf{I} I:单位矩阵。
- K k \mathbf{K}_k Kk:卡尔曼增益矩阵。
- H k \mathbf{H}_k Hk:观测矩阵。
- P k ∣ k − 1 \mathbf{P}_{k|k-1} Pk∣k−1:预测的误差协方差矩阵。
这篇关于DeepSORT(目标跟踪算法) 卡尔曼滤波的完整流程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!