【目标跟踪】基于matlab卡尔曼滤波算法视频目标跟踪【含Matlab源码 793期】
【摘要】
一、获取代码方式
获取代码方式1： 通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。
获取代码方式2： 通过紫极神光博客主页开通CSDN会员，凭支付凭证，私信博主，可获得此代码。
...
一、获取代码方式
获取代码方式1：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。
获取代码方式2：
通过紫极神光博客主页开通CSDN会员，凭支付凭证，私信博主，可获得此代码。
获取代码方式3：
完整代码已上传我的资源：【目标跟踪】基于matlab卡尔曼滤波算法视频目标跟踪【含Matlab源码 793期】
备注：开通CSDN会员，仅只能免费获得1份代码（有效期为开通日起，三天内有效）；
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；
二、卡尔曼滤波是简介
1 卡尔曼滤波是什么
卡尔曼滤波适用于估计一个动态系统的最优状态。即便是观测到的系统状态参数含有噪声，观测值不准确，卡尔曼滤波也能够完成对状态真实值的最优估计。网上大多数的教程讲到卡尔曼的数学公式推导，会让人很头疼，难以把握其中的主线和思想。所以我参考了国外一位学者的文章，讲述卡尔曼滤波的工作原理，然后编写了一个基于OpenCV的小程序给大家做一下说明。
2 卡尔曼滤波能做什么
假设我们手头有一辆DIY的移动小车。这辆车的外形是这样的：
这辆车可以在荒野移动，为了便于对它进行控制，需要知道它的位置以及移动速度。所以，建立一个向量，用来存储小车的位置和速度
其实，一个系统的状态有很多，选择最关心的状态来建立这个状态向量是很重要的。例如，状态还有水库里面水位的高低、炼钢厂高炉内的温度、平板电脑上面指尖触碰屏幕的位置等等这些需要持续跟踪的物理量。好了，回归到正题，小车上面安装了GPS传感器，这个传感器的精度是10米。但是如果小车行驶的荒野上面有河流和悬崖的话，10米的范围就太大，很容易掉进去进而无法继续工作。所以，单纯靠GPS的定位是无法满足需求的。另外，如果有人说小车本身接收操控着发送的运动指令，根据车轮所转动过的圈数时能够知道它走了多远，但是方向未知，并且在路上小车打滑车轮空转的现象绝对是不可避免。所以，GPS以及车轮上面电机的码盘等传感器是间接地为我们提供了小车的信息，这些信息包含了很多的和不确定性。如果将所有这些信息综合起来，是否能够通过计算得到我们更想要的准确信息呢？答案是可以的！
3 卡尔曼滤波的工作原理
3.1 先验状态估计
以之前我们创建的状态变量为例，
下图表示的是一个状态空间图，为了研究方便，假如小车在一条绝对笔直的线路上面行驶，其位置和速度的方向是确定的，不确定的是大小。
三、部分源代码
% compute the background image
Im0 = double(imread('ball00000100.jpg','jpg'));
Im1 = double(imread('ball00000101.jpg','jpg'));
Im2 = double(imread('ball00000102.jpg','jpg'));
Im3 = double(imread('ball00000103.jpg','jpg'));
Im4 = double(imread('ball00000104.jpg','jpg'));
Imback = (Im0 + Im1 + Im2 + Im3 + Im4)/5;
[MR,MC,Dim] = size(Imback);
% Kalman filter initialization
R=[[0.2845,0.0045]',[0.0045,0.0455]'];
H=[[1,0]',[0,1]',[0,0]',[0,0]'];
Q=0.01*eye(4);
P = 100*eye(4);
dt=1;
A=[[1,0,0,0]',[0,1,0,0]',[dt,0,1,0]',[0,dt,0,1]'];
g = 9.8; % pixels^2/time step
Bu = [0,0,0,g]';
kfinit=0;
x=zeros(100,4);
% loop over all images
fig1=1;
fig2=0;
fig15=0;
fig3=0;
fig4=4;
for i = 1 : 60
% load image
if i < 11
Im = (imread(['ball0000010',int2str(i-1), '.jpg'],'jpg'));
else
Im = (imread(['ball000001',int2str(i-1), '.jpg'],'jpg'));
end
if fig1 > 0
figure(fig1)%creat figure with handle fig1
clf%clear current figure
imshow(Im)
end
Imwork = double(Im);
%extract ball
[cc(i),cr(i),radius,flag]=extractball(Imwork,Imback,fig1,fig2,fig3,fig15,i);
if flag==0
continue
end
if fig1 > 0
figure(fig1)
hold on
%plot the figure of measure value
% for c = -0.97*radius: radius/20 : 0.97*radius
% r = sqrt(radius^2-c^2);
% plot(cc(i)+c,cr(i)+r,'g.')
% plot(cc(i)+c,cr(i)-r,'g.')
% end
%eval(['saveas(gcf,''TRACK/trk',int2str(i-1),'.jpg'',''jpg'')']);
end
% Kalman update
i
if kfinit==0
xp = [MC/2,MR/2,0,0]'
else
xp=A*x(i-1,:)' + Bu
end
kfinit=1;
PP = A*P*A' + Q
K = PP*H'*inv(H*PP*H'+R)
x(i,:) = (xp + K*([cc(i),cr(i)]' - H*xp))';
x(i,:)
[cc(i),cr(i)]
P = (eye(4)-K*H)*PP
if fig1 > 0
figure(fig1)
hold on
for c = -0.97*radius: radius/20 : 0.97*radius
r = sqrt(radius^2-c^2);
plot(x(i,1)+c,x(i,2)+r,'r.')
plot(x(i,1)+c,x(i,2)-r,'r.')
end
% eval(['saveas(gcf,''KFILT/kflt',int2str(i-1),'.jpg'',''jpg'')']);
end
% compute the background image
Im0 = double(imread('ball00000100.jpg','jpg'));
Im1 = double(imread('ball00000101.jpg','jpg'));
Im2 = double(imread('ball00000102.jpg','jpg'));
Im3 = double(imread('ball00000103.jpg','jpg'));
Im4 = double(imread('ball00000104.jpg','jpg'));
Imback = (Im0 + Im1 + Im2 + Im3 + Im4)/5;
[MR,MC,Dim] = size(Imback);
% Kalman filter static initializations
R=[[0.2845,0.0045]',[0.0045,0.0455]'];
H=[[1,0]',[0,1]',[0,0]',[0,0]'];
Q=0.01*eye(4);
dt=1;
A1=[[1,0,0,0]',[0,1,0,0]',[dt,0,1,0]',[0,0,0,0]']; % on table, no vertical velocity
A2=[[1,0,0,0]',[0,1,0,0]',[dt,0,1,0]',[0,dt,0,1]']; % bounce
A3=[[1,0,0,0]',[0,1,0,0]',[dt,0,1,0]',[0,dt,0,1]']; % normal motion
g = 6.0; % gravity=pixels^2/time step
Bu1 = [0,0,0,0]'; % on table, no gravity
Bu2 = [0,0,0,g]'; % bounce
Bu3 = [0,0,0,g]'; % normal motion
loss=0.7;
% multiple condensation states
NCON=100; % number of condensation samples
MAXTIME=60; % number of time frames
x=zeros(NCON,MAXTIME,4); % state vectors
weights=zeros(NCON,MAXTIME); % est. probability of state
trackstate=zeros(NCON,MAXTIME); % state=1,2,3;
P=zeros(NCON,MAXTIME,4,4); % est. covariance of state vec.
for i = 1 : NCON % initialize estimated covariance
for j = 1 : MAXTIME
P(i,j,1,1) = 100;
P(i,j,2,2) = 100;
P(i,j,3,3) = 100;
P(i,j,4,4) = 100;
end
end
pstop=0.05; % probability of stopping vertical motion
pbounce=0.30; % probability of bouncing at current state (overestimated)
xc=zeros(4,1); % selected state
TP=zeros(4,4); % predicted covariance
% loop over all images
fig1=1;
fig2=0;
fig15=0;
fig3=0;
for i = 1 : MAXTIME
i
% load image
if i < 11
Im = (imread(['ball0000010',int2str(i-1), '.jpg'],'jpg'));
else
Im = (imread(['ball000001',int2str(i-1), '.jpg'],'jpg'));
end
if fig1 > 0
figure(fig1)
clf
imshow(Im)
end
Imwork = double(Im);
% extract ball
[cc(i),cr(i),radius,flag]=extractball(Imwork,Imback,fig1,fig2,fig3,fig15,i);
if flag==0
for k = 1 : NCON
x(k,i,:) = [floor(MC*rand(1)),floor(MR*rand(1)),0,0]';
weights(k,i)=1/NCON;
end
continue
end
% display green estimated ball circle over original image
if fig1 > 0
figure(fig1)
hold on
for c = -0.99*radius: radius/10 : 0.99*radius
r = sqrt(radius^2-c^2);
plot(cc(i)+c,cr(i)+r,'g.')
plot(cc(i)+c,cr(i)-r,'g.')
end
end
% condensation tracking
% generate NCON new hypotheses from current NCON hypotheses
% first create an auxiliary array ident() containing state vector j
% SAMPLE*p_k times, where p is the estimated probability of j
if i ~= 1
SAMPLE=10;
ident=zeros(100*SAMPLE,1);
idcount=0;
for j = 1 : NCON % generate sampling distribution
num=floor(SAMPLE*100*weights(j,i-1)); % number of samples to generate
if num > 0
ident(idcount+1:idcount+num) = j*ones(1,num);
idcount=idcount+num;
end
end
end
% generate NCON new state vectors
for j = 1 : NCON
% sample randomly from the auxiliary array ident()
if i==1 % make a random vector
xc = [floor(MC*rand(1)),floor(MR*rand(1)),0,0]';
else
k = ident(ceil(idcount*rand(1))); % select which old sample
xc(1) = x(k,i-1,1); % get its state vector
xc(2) = x(k,i-1,2);
xc(3) = x(k,i-1,3);
xc(4) = x(k,i-1,4);
% sample about this vector from the distribution (assume no covariance)
for n = 1 : 4
xc(n) = xc(n) + 5*sqrt(P(j,i-1,n,n))*randn(1);
end
end
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 124
- 125
- 126
- 127
- 128
- 129
- 130
- 131
- 132
- 133
- 134
- 135
- 136
- 137
- 138
- 139
- 140
- 141
- 142
- 143
- 144
- 145
- 146
- 147
- 148
- 149
- 150
- 151
- 152
- 153
- 154
- 155
- 156
- 157
- 158
- 159
- 160
- 161
- 162
- 163
- 164
- 165
- 166
- 167
- 168
- 169
- 170
- 171
- 172
- 173
- 174
- 175
- 176
- 177
- 178
- 179
- 180
- 181
- 182
- 183
- 184
- 185
- 186
- 187
- 188
- 189
- 190
- 191
- 192
- 193
- 194
- 195
- 196
- 197
- 198
- 199
- 200
- 201
- 202
- 203
- 204
- 205
- 206
四、运行结果
五、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.
文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。
原文链接：qq912100926.blog.csdn.net/article/details/115870405
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）