視覺人工智慧指南

用於物件追蹤的卡爾曼濾波器

卡爾曼濾波器根據運動模型和雜訊測量來估計不斷變化的系統狀態。

聆聽此指南AI 語音敘述 · ~3 min

本頁閱讀時間3分鐘
  1. 概述
  2. 深入探討
  3. 現實世界的實施
  4. 卡爾曼濾波器用於物件追蹤的未來
  5. 付諸實踐
  6. 不斷探索
  7. 常見問題

概述

在物件追蹤中,狀態可能包括位置和速度,而偵測提供不完美的位置觀測。濾波器交替進行預測和測量校正;它會平滑其模型假設下的估計,但不會自行偵測物件或解決身分關聯問題。

深入探討

卡爾曼濾波器是一種遞歸狀態估計器,適用於使用線性動力學和高斯雜訊建模的系統。它保留估計狀態及其不確定性。在追蹤範例中,狀態可能包含物件的影像位置和速度。在每個時間步驟,預測步驟透過運動模型推進該狀態並傳播不確定性。當偵測器提供測量值時,校正步驟會根據測量值與預測值的不確定性將測量值與預測值結合。當檢測有噪音或間歇性到達時,這非常有用:預測狀態可以彌補短間隙,並且校正後的估計可以比原始檢測更少抖動。但卡爾曼濾波器不是視覺偵測器。它需要測量源、適當的狀態表示和現實的噪音假設。它本身並不能決定多個檢測中的哪一個屬於哪個軌道。多物件追蹤添加了資料關聯、追蹤建立和刪除,並且通常還添加了外觀提示或門控規則。如果運動是強烈非線性的,則基本線性濾波器可能不太合適;擴展或無味過濾器和其他估計器使用不同的假設。根據序列評估完整的追蹤器,包括漏檢、急轉彎、相機運動和遮蔽。測量定位錯誤、軌道連續性、身分切換和延遲。使用代表性資料調整不確定性,並保留一種在軌跡發散時恢復的方法,而不是將預測位置視為已確認的觀察結果。

現實世界的實施

追蹤器預測行人在相機幀之間的下一個影像位置,並在偵測器返回新的邊界框時修正估計。

機器人系統將運動估計與嘈雜的感測器位置結合,並在無法進行觀察時增加不確定性。

工程師使用具有已知物件路徑的保留序列來調整製程和測量雜訊。

多目標追蹤器對不可能的偵測進行門控,並將偵測單獨分配給現有的追蹤。

卡爾曼濾波器用於物件追蹤的未來

卡爾曼式估計器仍然是機器人、相機追蹤和感測器融合的常見構建塊。現代系統可以將它們與學習偵測器、光流、外觀嵌入或非線性濾波器結合。更複雜的組件並不能消除檢查運動模型是否適合場景的需要。追蹤器應明確暴露信心並處理缺失的觀察結果,並對實際幀速率和使用中預期的相機移動進行版本化評估。新的相機和感測器可能會改變雜訊特性,因此在硬體變更後重新估計調整。

付諸實踐

為什麼這很重要

  • 速度與規模. 視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
  • 配裝選擇. 創意團隊可以透過更少的手動修改來更快地建立概念原型。
  • 團隊與工作流程. 操作可以使用以前難以處理的影像和視訊訊號。

留意

  • 如果出處不明,肖像權和同意可能會成為法律風險。
  • 模型表現可能因光照、人口統計和環境的不同而有所不同。
  • 除非監控置信閾值,否則誤報可能會被忽略。

後續步驟

  1. 定義精確度、召回率和錯誤成本的接受標準。
  2. 使用符合實際生產條件的數據進行測試。
  3. 為低置信度或高影響力的預測添加人工審核。
  4. 追蹤模型漂移並在相機或資料集變更後重新驗證。

不斷探索

免費電子報

獲取每日 AI 簡報

每個工作日上午提供三則經過驗證的 AI 新聞,以淺顯易懂的英文撰寫。永久免費,無廣告。

每個工作日一封電子郵件。一鍵取消訂閱。我們絕不出售或分享您的地址。

測試一下自己

Take the Kalman Filters for Object Tracking quiz

每個答案皆有即時回饋,通過課程後可獲得具備可驗證 ID 的可分享證書。

開始測驗

支持免費的 AI 教育。AI Understanding 是一個 501(c)(3) 非營利組織——絕無廣告,絕無付費牆。 捐款

常見問題

什麼是用於物件追蹤的卡爾曼濾波器?

卡爾曼濾波器根據運動模型和雜訊測量來估計不斷變化的系統狀態。在物件追蹤中,狀態可能包括位置和速度,而偵測提供不完美的位置觀測。濾波器交替進行預測和測量校正;它會平滑其模型假設下的估計,但不會自行偵測物件或解決身分關聯問題。

卡爾曼濾波器在估計移動物體時保持什麼?

濾波器遞歸地維護狀態和協方差估計。

預測步驟期間發生哪些計算?

在使用新的觀測值進行校正之前,預測會透過運動模型傳播狀態估計。

當新的噪音觀測值到達時,校正步驟會做什麼?

校正使用測量值及其雜訊模型來更新估計值。

檢測器遺失一幀。過濾器能起到什麼作用?

預測可以彌補差距,但如果不進行測量,不確定性就會增加。

哪一個元件決定哪一個偵測屬於多目標系統中的哪一個軌道?

指南指出,卡爾曼濾波並不能單獨解決身分關聯問題。