Доверительное значение измерения
d = distance( вычисляет расстояние между местоположением обнаруженного объекта и предсказанным местоположением объектом фильтра Калмана. Этот расчет расстояния учитывает ковариацию предсказанного состояния и шум процесса. The kalmanFilter,zmatrix)distance функцию можно вызвать только после predict функция.
Используйте distance функция для поиска наилучших соответствий. Значения вычисленного расстояния описывают, как набор измерений соответствует фильтру Калмана. Таким образом, можно выбрать измерение, которое лучше всего подходит для фильтра. Эта стратегия может использоваться для согласования обнаружений объектов с треками объектов в задаче отслеживания мультиобъектов. Этот расчет расстояния учитывает ковариацию предсказанного состояния и шум процесса.
Отслеживайте местоположение физического объекта, движущееся в одном направлении.
Сгенерируйте синтетические данные, которые имитируют 1-D местоположение физического объекта, движущегося с постоянной скоростью.
detectedLocations = num2cell(2*randn(1,40) + (1:40));
Симулируйте отсутствующие обнаружения, задав для некоторых элементов пустое значение.
detectedLocations{1} = [];
for idx = 16: 25
detectedLocations{idx} = [];
endСоздайте рисунок, чтобы показать местоположение 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, когда физический объект будет впервые обнаружен. Предсказать местоположение объекта на основе предыдущих состояний. Если объект обнаружен в текущем временном шаге, используйте его расположение, чтобы исправить состояния.
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, чтобы удалить шум из случайного сигнала, поврежденного нулевым Гауссовым шумом.
Синтезируйте случайный сигнал, который имеет значение 1 и поврежден нулевым Гауссовым шумом со стандартным отклонением 0,1.
x = 1; len = 100; z = x + 0.1 * randn(1,len);
Снимите шум с сигнала с помощью фильтра Калмана. Ожидается, что состояние будет постоянным, и измерение будет таким же, как 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
Постройте график результатов.
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');
