칼만 필터를 사용하여 객체 추적에 대해 this tutorial 님이 올린 글입니다. 많은 사람들이 높은 별표를 평가했기 때문에 잘못되었거나 잘못된 튜토리얼이 아닙니다.이 튜토리얼에서 칼만 필터의 사용법을 설명하십시오.
그러나, 사람들은 다음 질문을 게시했습니다 : " 이 코드에서는 모든 프레임에서 검색을 수행했으며이 출력은 칼만 필터의 입력으로 제공됩니다. 배경 빼기 및 칼만 필터는 비슷한 결과를 나타냅니다. 제발 여기 칼만 필터의 사용법을 설명해 주시겠습니까? "
나는 그와 같은 생각을 가지고 있습니다. 누구나 여기서 칼만 필터의 사용법을 설명 할 수 있습니까?
배경 빼기가있는 간단한 탐지는 모든 샘플 기간에 결과를 제공하지만 결과는 (측정 잡음 및 양자화로 인한) 잡음이 많으며 탐지 오류가 큰 영향을 미칩니다.
개체를 관찰하고 싶다면 대개 어떻게 움직이는 지 알 것입니다. 그것은 한 위치에서 다음 위치로 점프하지는 않을 것이지만 계속해서 그곳으로 이동합니다. 칼만 필터는 간단한 탐지 알고리즘의 측정치를 결합하여 객체에 대한 모델 지식 (위치가 점프 할 수 없음)과 결합하여 측정을 필터링하고 측정 내역을 고려합니다. 선형 시스템을 고려할 때, 시스템의 측정 잡음을 고려하여 칼만 필터가 데이터를 필터링하는 최적의 방법이라는 것을 증명할 수 있습니다.
편집 :이 튜토리얼에서는 칼만 필터를 사용하여 다음 단계에서 공의 위치를 예측하는 것은 분명합니다. 하향 운동에서 이것은 잘 작동합니다. 필터가 바닥에 대해 전혀 알지 못하기 때문에 공이 땅에 떨어졌을 때 예측이 잘못된 것입니다. 위쪽으로 움직이는 동안, 예측은 여전히이 오류로 고통 받고 있습니다.
칼만의 근본적인 개관은 최소한의 원리를 의미합니다. 칼만 게인과 관련된 2 개의 파라미터를 계산합니다. 이 방법으로 생각할 수 있습니다 - 2 개의 매개 변수가 있습니다. 관찰을 위해 1 개, 예측을 위해 1 개, 즉. '추측'이 맞으면 2 개의 매개 변수는 관측 된 데이터를 신뢰하는 데 더 많은 가중치를 부여하고 예측 데이터는 적게, 반대의 경우는 다음 라운드에서 조정할 것입니다. 그렇지 않은 경우 오류는 그에 따라 조정할 수있는 이득에 영향을 미칩니다. 따라서 칼만 필터는 위너 (wiener)와 마찬가지로 '적응 적 (adaptive)'이라고 불린다.
이 튜토리얼에서 kalman.m 파일을 실행했습니다. 결과는 다음과 같습니다. http://www.flickr.com/photos/[email protected]/5375929588/ http://www.flickr.com/photos/[email protected]/5375929552/ http : // www. flickr.com/photos/[email protected]/5375329235/ 녹색 원형은 볼의 실제 위치 (칼만 필터 적용 전)를 나타내고 빨간색 원형은 볼의 예상 위치 (칼만 필터 적용 후)를 나타냅니다. . 결과는 칼만 필터를 사용하는 것이 칼만 필터를 사용하지 않는 것보다 나쁘다는 것을 보여줍니다. 이유가 무엇입니까? – John