Отслеживание Калмана — отклонение измерения

Я делаю некоторую работу по отслеживанию движущихся объектов с помощью камеры, направленной вниз, на потолке. Я дошел до того, что могу определить положение нужного объекта в каждом кадре.

Я изучаю возможность использования фильтра Калмана для отслеживания положения объекта и скорости прохождения сцены, и я наткнулся на камень преткновения. Я настроил свою систему, и у меня есть все необходимые части фильтра Калмана, кроме дисперсии измерения.

Я хочу иметь возможность присвоить значимое отклонение каждому измерению, чтобы позволить фазе коррекции использовать новую информацию разумным образом. У меня есть несколько мер, назначенных моим обнаруженным объектам, которые теоретически могут быть полезны при определении того, насколько точным должно быть положение, и кажется логичным попытаться объединить их, чтобы получить подходящую дисперсию.

Правильно ли я подхожу к этому, и если да, то может ли кто-нибудь указать мне правильное направление для продолжения?

Любая помощь очень ценится.


computer-vision tracking kalman-filter
person Chris    schedule 23.03.2011    source источник

Ответы (2)


arrow_upward
1
arrow_downward

Я думаю, вы правы. Согласно этому сообщению:
Слияние датчиков с фильтром Калмана
, определяющее дисперсию, является 100% экспериментальным. Мне кажется, у вас есть все необходимое, чтобы получить хорошие оценки дисперсии.

person Ali    schedule 23.03.2011
comment
Спасибо - кажется, я на правильном пути. Просто нужно найти функцию, которая отображает то, что я знаю о своих целях, в разумные меры дисперсии, тогда... - person Chris; 24.03.2011

arrow_upward
1
arrow_downward

Извините за поздний ответ. Я лично столкнулся с той же проблемой в моем предыдущем проекте. Я нашел совет, данный Густавом Хендеби в слайдах его лекций Sensor Fusion (страница 10 слайдов) чрезвычайно ценна.

Обобщить:

(1) Отношение сигнал-шум вашего измерительного шума и вашего технологического шума определяет поведение вашего фильтра. Высокое отношение шума процесса к шуму измерения делает ваш фильтр более медленным (фильтр нижних частот), что обычно обеспечивает более плавное отслеживание, и наоборот. дрожание

(2) В литературе имеется множество статей, посвященных тому, как правильно настроить эту модель шума. Однако обычно требуется много «настройки», в зависимости от вашего приложения. Обычно шум измерения — это то, что мы можем измерить/охарактеризовать на основе спецификации оборудования. Поэтому рекомендуется зафиксировать «R» (ковариация шума измерения) и настроить Q (ковариация шума модели процесса).

person SunnyIsaLearner    schedule 09.01.2017