Object 使用卡尔曼滤波器跟踪对象的位置，但需要知道该对象的位置作为卡尔曼滤波器的输入。发生了什么事？

我试图学习如何使用卡尔曼滤波跟踪视频序列中移动的物体（球），所以请解释给我，因为我是一个孩子

• 通过一些算法（颜色分析、光流…），我能够得到每个视频帧的二值图像，其中有跟踪对象（白色像素）和背景（黑色像素）->我知道对象大小、对象质心、对象位置->只需在对象周围画一个边界框-->完成。为什么我需要在这里使用卡尔曼滤波器

• 好的，有人告诉我，由于噪声的影响，我无法在每个视频帧中检测到物体，所以我需要使用卡尔曼滤波器来估计物体的位置。好的。但正如我所知，我需要为卡尔曼滤波器提供输入。它们是先前的状态和度量
  • 前一个状态（所以我认为它是前一帧中物体的位置、速度、加速度）->好的，这对我来说很好
  • 测量当前状态：以下是我无法理解的。测量可以是什么？ -对象在当前帧中的位置？这很有趣，因为如果我知道对象的位置，我只需要在对象周围绘制一个简单的边界框（矩形）。为什么我还需要卡尔曼滤波器？因此，不可能将对象在当前帧中的位置作为测量值。 -“视频监控系统中基于卡尔曼滤波的跟踪”文章说
    卡尔曼滤波块的主要作用是分配跟踪 过滤从输入系统的每个测量值 光流分析模块
    如果您阅读全文，您将看到作者将blob的最大数量和最小大小作为卡尔曼滤波器的输入。如何将这些参数用作测量

我想我现在陷入了困境。我想用卡尔曼滤波器来跟踪一个物体的位置，但是我需要知道这个物体的位置作为卡尔曼滤波器的输入。发生了什么事

---

还有一个问题，我不理解术语“卡尔曼滤波器的数量”。在视频序列中，如果有2个对象需要跟踪->需要使用2个卡尔曼滤波器？这就是它的意思吗？

卡尔曼滤波器的目的是减轻测量中的噪声和其他不精确性。在您的例子中，测量值是从帧中分割出来的对象的x，y位置。如果你能在每一帧中完美地将球和背景中的球分开，那么就没有必要使用卡尔曼滤波器，因为你的测量实际上不包含任何噪声

在大多数应用中，由于许多原因（照明变化、背景变化、其他移动对象等），无法保证完美的测量，因此需要有一种过滤测量的方法，以产生真实轨迹的最佳估计

卡尔曼滤波器所做的是使用一个模型来预测下一个位置，假设该模型成立，然后将该估计值与您传入的实际测量值进行比较。实际测量值与预测和噪声特性一起使用，以形成最终位置估计值，并更新噪声特性（测量值与模型的差异程度的测量值）

模型可以是对您试图跟踪的系统建模的任何东西。一个常见的模型是恒速模型，该模型仅假设对象将继续以与先前估计中相同的速度移动。这并不是说该模型不会跟踪速度变化的物体，因为测量结果会反映速度的变化并影响估计

有许多方法可以解决同时跟踪多个对象的问题。最简单的方法是对每条轨迹使用独立的卡尔曼滤波器。这就是卡尔曼滤波器真正开始发挥作用的地方，因为如果您使用的是仅使用边界框质心的简单方法，那么如果两个对象相互交叉会发生什么情况？在它们分开后，你能再次区分哪个物体是哪个吗？有了卡尔曼滤波器，你就有了模型和预测，当其他物体发生干扰时，它将帮助你保持正确的轨迹

---

还有一些更先进的方法可以联合跟踪多个物体，比如一个物体。

Jason在什么是Kalman filter方面有了一个良好的开端。关于你的问题，即论文如何使用最大数量的水滴和最小大小的水滴，这正是卡尔曼滤波器的威力

测量不需要是位置、速度或加速度。度量可以是您在某个时间实例中可以观察到的任何数量。如果您可以定义一个模型，在给定当前测量值的下一个时间实例中预测您的测量值，那么卡尔曼滤波器可以帮助您减轻噪声

我建议你阅读更多关于图像处理和计算机视觉的介绍性材料。这些资料几乎总是涵盖卡尔曼滤波器

这是一个关于跟踪器的SIGGRAPH课程。它不是介绍性的，但应该让你更深入地了解这个主题。

---

你不需要使用卡尔曼滤波器来给你一个初步的估计；您可以使用它根据一系列嘈杂的估计值为您提供改进的估计值

为了让这更容易理解，假设你正在测量一些非动态的东西，比如成年人的身高。你测量一次，但你不确定结果的准确性，所以你连续测量10天，每次测量都略有不同，比如说几毫米