目标跟踪之卡尔曼滤波---理解Kalman滤波的使用预测
2015-04-20 20:31
260 查看
Kalman滤波简介
Kalman滤波是一种线性滤波与预测方法,原文为:A New Approach to Linear Filtering and Prediction Problems。文章推导很复杂,看了一半就看不下去了,既然不能透彻理解其原理,但总可以通过实验来理解其具体的使用方法。
Kalman滤波分为2个步骤,预测(predict)和校正(correct)。预测是基于上一时刻状态估计当前时刻状态,而校正则是综合当前时刻的估计状态与观测状态,估计出最优的状态。预测与校正的过程如下:
预测:
运行结果如下图,蓝色为观测数据,红色为kalman滤波数据,右侧为局部放大图。可以看出经过滤波后的数据相当平滑,这里Q和R中元素的量级分别为cQ和cR,下图结果可以看到cR比cQ多了6个数量级。
(1)
增加几组结果用于对比分析,对于的cQ和cR见图的标题。
(2)
(3)
(4)
(5)
(6)
首先看图1和2,cR与cQ大小均相差了3个数量级,而二者的比值相同,则kalman滤波结果相同。
再看图2~图6,cR/cQ在不断减小,kalman滤波结果的平滑性也在不断降低,到图5和6中,滤波结果完全和观测值相同,说明此时kalman滤波已经完全相信观测值了。原因在于cR/cQ过小,系统认为预测噪声的方差很大,不值得信赖,而观测值的噪声方差小,可信度高。
总结
根据上面的实验结果,可以看出Kalman滤波应用中的几个问题:
1.模型建立的正确性从根本上决定了滤波效果的正确性。
上面使用物体静止模型进行滤波,结果完全不对,而使用匀速运动模型则能达到较好的效果。从根本上讲,上面的数据也不是匀速运动的,为何结果会基本正确?看看第一个使用静止模型的滤波结果,虽然我们假定了物体是静止的,但由于观测数据的作用,kalman滤波结果也会有相应的运动而不是完全静止,也就是说滤波器在不停地修正这个状态,而在匀速运动模型中,物体的速度我们认为不变,但同样地kalman滤波器也会不停地修正这个速度,滤波器中计算的速度实质的偏离了真实速度的,因此最终也会有相应的偏差,不过这个偏差在我们容许范围内,也就可以大胆使用了。
如果能确定物体是匀变速直线运动,使用相应带加速度的模型会得到更准确的效果。但是越严格的模型其适用范围也相应越小。
2.影响滤波结果平滑性的因素是cR/cQ,这个值反映了我们对于预测和观测值的信任程度;其值越大则越相信预测结果,滤波结果平滑性好;反之则越相信观测结果,滤波结果越偏向于观测值。一般我们使用kalman滤波器是为了能平滑数据的波动,因此应尽量保证cR/cQ稍大,上面的测试结果该值在1e4以上数据较为平滑。
/article/5641747.html
http://blog.csdn.net/andrew659/article/details/4818988
http://blog.chinaunix.net/uid-26020768-id-3187769.html
http://blog.csdn.net/gengxt2003/article/details/1528325
Kalman滤波是一种线性滤波与预测方法,原文为:A New Approach to Linear Filtering and Prediction Problems。文章推导很复杂,看了一半就看不下去了,既然不能透彻理解其原理,但总可以通过实验来理解其具体的使用方法。
Kalman滤波分为2个步骤,预测(predict)和校正(correct)。预测是基于上一时刻状态估计当前时刻状态,而校正则是综合当前时刻的估计状态与观测状态,估计出最优的状态。预测与校正的过程如下:
预测:
dim_observe = 2; %观测值维数 n = 2 * dim_observe; %状态维数,观测状态每个维度都有1个速度,故需乘2 filter.A = [1,0,1,0;0,1,0,1;0,0,1,0;0,0,0,1]; filter.B = 0; filter.u = 0; filter.P = eye(n); filter.K = zeros(n); filter.H = [1,0,0,0;0,1,0,0];
运行结果如下图,蓝色为观测数据,红色为kalman滤波数据,右侧为局部放大图。可以看出经过滤波后的数据相当平滑,这里Q和R中元素的量级分别为cQ和cR,下图结果可以看到cR比cQ多了6个数量级。
(1)
增加几组结果用于对比分析,对于的cQ和cR见图的标题。
(2)
(3)
(4)
(5)
(6)
首先看图1和2,cR与cQ大小均相差了3个数量级,而二者的比值相同,则kalman滤波结果相同。
再看图2~图6,cR/cQ在不断减小,kalman滤波结果的平滑性也在不断降低,到图5和6中,滤波结果完全和观测值相同,说明此时kalman滤波已经完全相信观测值了。原因在于cR/cQ过小,系统认为预测噪声的方差很大,不值得信赖,而观测值的噪声方差小,可信度高。
总结
根据上面的实验结果,可以看出Kalman滤波应用中的几个问题:
1.模型建立的正确性从根本上决定了滤波效果的正确性。
上面使用物体静止模型进行滤波,结果完全不对,而使用匀速运动模型则能达到较好的效果。从根本上讲,上面的数据也不是匀速运动的,为何结果会基本正确?看看第一个使用静止模型的滤波结果,虽然我们假定了物体是静止的,但由于观测数据的作用,kalman滤波结果也会有相应的运动而不是完全静止,也就是说滤波器在不停地修正这个状态,而在匀速运动模型中,物体的速度我们认为不变,但同样地kalman滤波器也会不停地修正这个速度,滤波器中计算的速度实质的偏离了真实速度的,因此最终也会有相应的偏差,不过这个偏差在我们容许范围内,也就可以大胆使用了。
如果能确定物体是匀变速直线运动,使用相应带加速度的模型会得到更准确的效果。但是越严格的模型其适用范围也相应越小。
2.影响滤波结果平滑性的因素是cR/cQ,这个值反映了我们对于预测和观测值的信任程度;其值越大则越相信预测结果,滤波结果平滑性好;反之则越相信观测结果,滤波结果越偏向于观测值。一般我们使用kalman滤波器是为了能平滑数据的波动,因此应尽量保证cR/cQ稍大,上面的测试结果该值在1e4以上数据较为平滑。
/article/5641747.html
http://blog.csdn.net/andrew659/article/details/4818988
http://blog.chinaunix.net/uid-26020768-id-3187769.html
http://blog.csdn.net/gengxt2003/article/details/1528325
相关文章推荐
- 目标跟踪之卡尔曼滤波---理解Kalman滤波的使用
- OpenCV学习笔记——Kalman滤波做运动目标跟踪
- 理解Kalman滤波的使用
- 卡尔曼(Kalman) 滤波跟踪一个旋转的点程序
- OpenCV学习笔记(三十六)——Kalman滤波做运动目标跟踪
- OpenCV学习笔记(三十六)——Kalman滤波做运动目标跟踪 OpenCV学习笔记(三十七)——实用函数、系统函数、宏core OpenCV学习笔记(三十八)——显示当前FPS OpenC
- 卡尔曼(Kalman)滤波(四)--深入浅出Kalman滤波算法
- Kalman滤波在单片机上的使用
- Unscented kalman filter--原始无味卡尔曼算法浅显理解
- 【目标跟踪】相关滤波算法之MOSSE
- Kalman 滤波 跟踪
- 计算机视觉——总结:使用粒子滤波进行目标跟踪
- TLD 目标跟踪源码理解
- 【转载】对Kalman(卡尔曼)滤波器的理解
- Kalman滤波计算过程(仅供自己看的,没时间写整体理解,只写简要过程)
- 使用Opencv中均值漂移meanShift跟踪移动目标
- 卡尔曼(Kalman)滤波(一)--Kalman滤波的本质
- 我对kalman滤波的理解
- 【目标跟踪: 相关滤波器 四】相关滤波
- 经典的视频目标跟踪技术理解(Mean Shift和Particle Filter)