使用卡尔曼滤波器进行跟踪：预测与校正

问题描述

我有一个 CV 跟踪算法，可以实时为我提供感兴趣对象（红球）质心的 2D 坐标。我想使用卡尔曼滤波器来获取下一帧（未来）中球的预测坐标。

问题是我不知道我是否应该：

• 预测（状态 k），纠正（状态 k），然后再次预测（状态 k+1）。
• 纠正（状态 k），然后预测（状态 k+1）。
• 预测（状态 k），正确（状态 k）。

前两种方法给了我不错的结果。然而，在最后一种方法中获得的结果实际上与测量相同（我猜这是因为我没有对下一个未来状态 k+1 进行预测）。

使用卡尔曼滤波器获得下一帧（未来状态 k+1）中球的预测坐标的正确方法是什么？

使用的代码：

卡尔曼滤波器的初始化：

kf = cv2.KalmanFilter(4,2) #position x,y and veLocity x,y
kf.measurementMatrix = np.array([[1,0],[0,1,0]],np.float32)
kf.transitionMatrix = np.array([[1,1],1]],np.float32)
kf.processNoiseCov =1*np.array([[1,np.float32)
kf.measurementNoiseCov = 1*np.array([[1,np.float32)

第一种方法：

def Estimate(kf,x,y):

     predicted = kf.predict()
     measured = np.array([[np.float32(coordX)],[np.float32(coordY)]])
     estimate=kf.correct(measured)
     predicted = kf.predict()

     return predicted    

第二种方法：

def Estimate(kf,y):

     measured = np.array([[np.float32(coordX)],[np.float32(coordY)]])
     estimate=kf.correct(measured)
     predicted = kf.predict()

     return predicted    

注意：每次获得一对新坐标时，都会在 while 循环中调用函数 Estimate。

编辑：在这些链接中，您可以分别看到第一种和第二种方法的结果： First approach Second approach

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）