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
- 定義精確度、召回率和錯誤成本的接受標準。
- 使用符合實際生產條件的數據進行測試。
- 為低置信度或高影響力的預測添加人工審核。
- 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
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。