Доверительное значение измерения
d = distance( вычисляет расстояние между местоположением обнаруженного объекта и предсказанным местоположением с помощью объекта фильтра Калмана. Это вычисление расстояния учитывает ковариацию предсказанного состояния и технологического шума. kalmanFilter,zmatrix)distance функция может быть вызвана только после predict функция.
Используйте distance функция для поиска лучших совпадений. Вычисленные значения расстояния описывают, как набор измерений соответствует фильтру Калмана. Таким образом, можно выбрать измерение, наиболее подходящее для фильтра. Эта стратегия может использоваться для сопоставления обнаружений объектов с дорожками объектов в проблеме отслеживания нескольких объектов. Это вычисление расстояния учитывает ковариацию предсказанного состояния и технологического шума.
Отслеживание местоположения физического объекта, движущегося в одном направлении.
Создание синтетических данных, имитирующих 1-D местоположение физического объекта, движущегося с постоянной скоростью.
detectedLocations = num2cell(2*randn(1,40) + (1:40));
Моделирование отсутствующих обнаружений путем установки пустых элементов.
detectedLocations{1} = [];
for idx = 16: 25
detectedLocations{idx} = [];
endСоздайте рисунок, чтобы показать расположение обнаружений и результаты использования фильтра Калмана для отслеживания.
figure; hold on; ylabel('Location'); ylim([0,50]); xlabel('Time'); xlim([0,length(detectedLocations)]);
Создайте 1-D фильтр Калмана с постоянной скоростью при первом обнаружении физического объекта. Спрогнозировать местоположение объекта на основе предыдущих состояний. Если объект обнаружен на текущем шаге времени, используйте его расположение для исправления состояний.
kalman = []; for idx = 1: length(detectedLocations) location = detectedLocations{idx}; if isempty(kalman) if ~isempty(location) stateModel = [1 1;0 1]; measurementModel = [1 0]; kalman = vision.KalmanFilter(stateModel,measurementModel,'ProcessNoise',1e-4,'MeasurementNoise',4); kalman.State = [location, 0]; end else trackedLocation = predict(kalman); if ~isempty(location) plot(idx, location,'k+'); d = distance(kalman,location); title(sprintf('Distance:%f', d)); trackedLocation = correct(kalman,location); else title('Missing detection'); end pause(0.2); plot(idx,trackedLocation,'ro'); end end legend('Detected locations','Predicted/corrected locations');
Используйте фильтр Калмана для удаления шума из случайного сигнала, искаженного нулевым средним гауссовым шумом.
Синтезируйте случайный сигнал, который имеет значение 1 и испорчен нулевым средним гауссовым шумом со стандартным отклонением 0,1.
x = 1; len = 100; z = x + 0.1 * randn(1,len);
Удалите шум из сигнала с помощью фильтра Калмана. Ожидается, что состояние будет постоянным, а измерение будет таким же, как и состояние.
stateTransitionModel = 1; measurementModel = 1; obj = vision.KalmanFilter(stateTransitionModel,measurementModel,'StateCovariance',1,'ProcessNoise',1e-5,'MeasurementNoise',1e-2); z_corr = zeros(1,len); for idx = 1: len predict(obj); z_corr(idx) = correct(obj,z(idx)); end
Результаты графика.
figure, plot(x * ones(1,len),'g-'); hold on; plot(1:len,z,'b+',1:len,z_corr,'r-'); legend('Original signal','Noisy signal','Filtered signal');
