poster
2019-12-14, 20:13
一个人发布了有关使用卡尔曼滤波器进行对象跟踪的教程 (http://www.mathworks.com/matlabcentral/fileexchange/14243-2d-target-tracking-using-kalman-filter) 。许多人给高星级评分，所以它不是一个错误/错误的教程。
但是，有人发布了以下问题：“在此代码中，您已经在每一帧中进行了检测，并且此输出作为卡尔曼滤镜的输入提供。因此背景减法和卡尔曼滤镜将给出类似的结果。因此，请您解释一下在这里使用卡尔曼滤波器。”
我对他也有同样的想法。有人可以在这里解释卡尔曼滤波器的用法吗？
回答：
简单的背景减除检测将在每个采样周期内给出结果，但是结果将是有噪声的（由于测量噪声和量化），并且检测误差将产生巨大影响。
如果您想观察一个物体，通常会对它的运动方式有所了解。它不会从一个位置跳到另一个位置，而是以连续的方式移动到那里。卡尔曼滤波器结合了简单检测算法中的测量结果，并将它们与您拥有的关于物体的模型知识（位置不能跳跃）结合在一起，因此它过滤了测量结果并考虑了测量历史。考虑到线性系统，可以证明考虑到系统的测量噪声，卡尔曼滤波器是滤波数据的最佳方法。
编辑：在本教程中，卡尔曼滤波器显然用于预测下一步的球的位置。在向下运动中，此效果很好。由于过滤器对地板一无所知，因此当球撞击地面时，预测当然是错误的。在向上运动期间，预测仍然会遭受该误差的影响。
更多&回答... (https://stackoverflow.com/questions/4750890)
但是，有人发布了以下问题：“在此代码中，您已经在每一帧中进行了检测，并且此输出作为卡尔曼滤镜的输入提供。因此背景减法和卡尔曼滤镜将给出类似的结果。因此，请您解释一下在这里使用卡尔曼滤波器。”
我对他也有同样的想法。有人可以在这里解释卡尔曼滤波器的用法吗？
回答：
简单的背景减除检测将在每个采样周期内给出结果，但是结果将是有噪声的（由于测量噪声和量化），并且检测误差将产生巨大影响。
如果您想观察一个物体，通常会对它的运动方式有所了解。它不会从一个位置跳到另一个位置，而是以连续的方式移动到那里。卡尔曼滤波器结合了简单检测算法中的测量结果，并将它们与您拥有的关于物体的模型知识（位置不能跳跃）结合在一起，因此它过滤了测量结果并考虑了测量历史。考虑到线性系统，可以证明考虑到系统的测量噪声，卡尔曼滤波器是滤波数据的最佳方法。
编辑：在本教程中，卡尔曼滤波器显然用于预测下一步的球的位置。在向下运动中，此效果很好。由于过滤器对地板一无所知，因此当球撞击地面时，预测当然是错误的。在向上运动期间，预测仍然会遭受该误差的影响。
更多&回答... (https://stackoverflow.com/questions/4750890)