काल्लमफिल्टर (6,2,0) संक्रमण मैट्रिक्स

Question

मैं ऑब्जेक्ट ट्रैकिंग प्रोजेक्ट पर काम कर रहा हूं और मैं कलमैन फ़िल्टर का उपयोग कर परिणामों को बेहतर बनाना चाहता हूं।

मुझे इंटरनेट पर बहुत सारे उदाहरण मिल गए हैं जो काम कर रहे हैं लेकिन मैं वास्तव में समझना चाहता हूं कि इसके पीछे क्या है।

KalmanFilter KF(6, 2, 0); 
Mat_ state(6, 1); 
Mat processNoise(6, 1, CV_32F); 
... 
KF.statePre.at(0) = mouse_info.x; 
KF.statePre.at(1) = mouse_info.y; 
KF.statePre.at(2) = 0; 
KF.statePre.at(3) = 0; 
KF.statePre.at(4) = 0; 
KF.statePre.at(5) = 0; 
KF.transitionMatrix = *(Mat_(6, 6) << 1,0,1,0,0.5,0, 0,1,0,1,0,0.5, 0,0,1,0,1,0, 0,0,0,1,0,1, 0,0,0,0,1,0, 0,0,0,0,0,1); 
KF.measurementMatrix = *(Mat_(2, 6) << 1,0,1,0,0.5,0, 0,1,0,1,0,0.5); 

यह एक एक KalmanFilter (4,2,0) की तुलना में चिकनी परिणाम देता है, लेकिन मैं वास्तव में क्यों नहीं है:

opencv का उपयोग करना, यहाँ कोड का एक हिस्सा है। क्या कोई मुझे बता सकता है कि इस (6,6) संक्रमण मैट्रिक्स के पीछे क्या है?

संपादित करें: समाधान शायद here है लेकिन स्पष्ट रूप से मैं काफी अच्छा अपने आप से यह पता लगाने के लिए नहीं कर रहा हूँ ...

आपकी मदद के लिए धन्यवाद।

Answer 1

आपके पास एक राज्य वेक्टर एक्स 6 घटकों से बना है, जिनमें से पहले दो ऑब्जेक्ट की एक्स और वाई स्थिति हैं;

एक्स = [एक्स, वाई, v_x, v_y, a_x, a_y] ^टी

Kalman फिल्टर में, अपने अगले राज्य, : मान लेते हैं कि अन्य 4 अपने वेग और त्वरण हैं एक्स _{t + 1}, पहले वाली स्थिति एक्स _टी संक्रमण मैट्रिक्स एक, से गुणा के बराबर है संक्रमण मैट्रिक्स आप पोस्ट के साथ ऐसा है तो आप के लिए होता है:

एक्स _{t + 1} = एक्स _टी + v_x _टी + 0.5 a_x _टी

y _{t + 1} = y _टी + v_y _टी + 0.5 a_y _टी

v_x _{t + 1} = v_x _टी + a_x _टी

v_y _{t + 1} = v_t _टी + a_t _टी

a_x _{t + 1} = a_x _टी

_{a_y t + 1} = a_y _टी

डिस्क कौन सा है निरंतर त्वरण के साथ चलने वाली वस्तु के समीकरणों का पुनर्मूल्यांकन करना, यदि दोनों राज्यों के बीच का समय अंतराल 1 के बराबर है (और यही कारण है कि यह मानने के लिए यह समझ में आता है कि अन्य चार चर वेग और त्वरण हैं)।

यह एक कलमैन फ़िल्टर है जो वेग अनुमान में तेज़ी से भिन्नता की अनुमति देता है, इसलिए यह एक (4, 2, 0) फ़िल्टर की तुलना में कम देरी पेश करता है, जो निरंतर वेग मॉडल का उपयोग करेगा।