답변:
먼저 모션 모델을 가정해야합니다. 공중을 날아 다니는 공을 추적한다고 가정 해 봅시다. 공은 9.8m / s ^ 2의 중력으로 인해 하향 가속됩니다. 따라서이 경우 일정한 가속 모션 모델이 적합합니다.
이 모델에서 상태는 위치, 속도 및 가속입니다. 이전 상태가 주어지면 다음 상태를 쉽게 예측할 수 있습니다.
탐지 개념도 있습니다. 공이 움직이는 비디오가 있으며, 각 비디오 프레임에서 공을 감지해야합니다 (예 : 배경 빼기 사용).
탐지가 시끄 럽습니다. 또한 공의 움직임은 공기 저항, 바람, 우주 광선 등으로 인해 일정한 가속 모델에 정확하게 맞지 않습니다. 칼만 필터에는이를 설명하는 두 가지 행렬이 필요합니다. 하나는 공정 소음의 공분산에 대한 것입니다 (공의 운동이 지정한 모델과 어떻게 다른지).
단일 객체를 추적하는 경우 Kalman 필터를 사용하면 일부 노이즈를 제거하고 탐지가 누락 된 경우 (예 : 객체가 폐색 된 경우) 객체의 위치를 예측할 수 있습니다. MATLAB 용 Computer Vision System Toolbox를 사용하여 Kalman 필터로 단일 객체를 추적 하는 예는 다음과 같습니다 .
여러 개체를 추적하는 경우 Kalman 필터 예측을 통해 어떤 개체와 어떤 탐지를 수행할지 결정할 수 있습니다. 이를 수행하는 좋은 방법은 예측의 공분산을 고려하여 탐지의 로그 우도를 사용하는 것입니다. 다음은 Kalman 필터를 사용하여 여러 객체를 추적 하는 예입니다 .
이 온라인 과정 은 이해하기 매우 쉽고 간단하며 Kalman 필터를 잘 설명했습니다.
이를 "로봇 자동차 프로그래밍"이라고하며 몬테 카를로 현지화, 칼만 필터 및 입자 필터의 세 가지 현지화 방법에 대해 설명합니다. 예를 들어 소나 정보에 중점을 두지 만 설명은 간단합니다. "소나"를 "시각 정보"로 간단히 대체 할 수 있으며 여전히 의미가 있습니다.
이 과정은 완전히 무료입니다 (이제 끝났으므로 적극적으로 참여할 수는 없지만 내가 추정하는 강의를 계속 볼 수 있습니다).
시각적 추적을 수행 할 때는 실제 프로세스를 수학적으로 표현한 모델 이 필요합니다 . 이 모델은 측정에서 얻은 모든 데이터에 의미가 있으며, 우리가 넣은 숫자를 연결하고 시스템에서 나옵니다.
그러나 모델은 적은 수의 매개 변수를 사용하므로 현실을 단순화합니다. 시스템에 대해 모르는 것을 소음 또는 불확실성 이라고 합니다 . 아는 것만 큼 중요합니다. 시스템을 완벽하게 설명 할 수 없기 때문에 모델링중인 시스템에 어떤 일이 발생하는지 알려주려면 실제 측정이 필요합니다.
칼만 (Kalman)은 우리가 추정 한 것과 모델, 그리고 세계에서 측정 한 것을 가중 된 의미로 결합함으로써 도구로 사용합니다.
단계마다 상태 를 계산합니다 . 그것이 당신이 현재 시스템에 대해 알고있는 것입니다. 상태는 프로세스 방정식 과 측정 방정식의 영향을받습니다 . 두 방정식의 잡음 공분산이 서로 다릅니다. 칼만은 칼만 게인을 조정하여 각 단계마다 더 많은 영향을 미치는 것을 결정할 것입니다.
이것이 내가 공식에 깊이 들어가고 싶지 않을 때 이것에 대해 생각하는 방식입니다.