卡尔曼滤波物体轨迹预测趣味实战
🍊作者简介:秃头小苏,致力于用最通俗的语言描述问题
🍊往期回顾:卡尔曼滤波系列1——卡尔曼滤波
🍊近期目标:拥有2000粉丝
🍊支持小苏:点赞👍🏼、收藏⭐、留言📩
卡尔曼滤波实战
最近刚好看到了一个有意思的卡尔曼滤波的视频,于是就学习了一下,现分享给大家🥗🥗🥗
[video(video-Ol0gUeOi-1649384042409)(type-csdn)(url-https://live.csdn.net/v/embed/196132)(image-https://video-community.csdnimg.cn/vod-84deb4/26a9c661252f4f5f97228926c9b1e9f1/snapshots/abd7cb52017149f9b35013662142957c-00002.jpg?auth_key=1649338517-80e386f4651443c6910fd362195985af-0-c530ab60c19e497b98fc38577b471f46)(title-kalman)]
视频中绿色圈表示橙子的位置,红色圈则为橙子的下一时刻的预测位置,是不是发现挺有意思的呢🌽🌽🌽
这里我给出代码的下载地址:https://pysource.com/2021/11/02/kalman-filter-predict-the-trajectory-of-an-object/🥝🥝🥝该链接中以及足够详细的介绍了该程序的使用方法,故这里不再过多的介绍了。
因为代码中是直接使用了opencv中的KalmanFilter函数,故这里我想还是简单的唠两句,当然学习这个函数最高效的方法肯定还是阅读opencv官方给的解释,链接如下:https://docs.opencv.org/4.x/dd/d6a/classcv_1_1KalmanFilter.html#details💐💐💐
这里对于opencv中KalmanFilter()的两个参数做一个简要的解释:
- dynamParams:状态的维度
在上述的代码中,其值为4,因为状态转移矩阵transitionMatrix有4个维度。
-
measureParams:测量的维度
在上述的代码中,其值为2,因为测量矩阵transitionMatrix有2个维度。
如若文章对你有所帮助,那就🛴🛴🛴
咻咻咻咻~~duang~~点个赞呗
- 点赞
- 收藏
- 关注作者
评论(0)