Dokumen tersebut menjelaskan penggunaan Kalman filter untuk melacak objek dalam video. Ia mendemonstrasikan cara mencipta Kalman filter, memprediksi lokasi objek, dan memperbaiki prediksi berdasarkan deteksi, serta menangani ketidakhadiran deteksi dengan hanya memprediksi. Dokumen tersebut juga menjelaskan tantangan konfigurasi parameter Kalman filter dan bagaimana menukar model gerak dan nilai noise dapat mempengaruhi hasil pelacakan.

1. Menggunakan Kalman Filter untuk objek pelacakan
Contoh ini menunjukkan cara menggunakan
visi vision.KalmanFilterobjek dan configureKalmanFilterfungsi
untuk melacak benda.
Contoh ini adalah fungsi dengan tubuh yang utama di atas dan penolong rutinitas dalam bentuk fungsi bersarang di
bawah ini.
function kalmanFilterForTracking
Pengenalan
Kalman filter memiliki banyak kegunaan, termasuk aplikasi kontrol, navigasi, komputer visi dan waktu seri
ekonometri. Contoh ini menggambarkan cara menggunakan Kalman filter untuk melacak objek dan berfokus pada
tiga fitur penting:
Prediksi objek lokasi di masa mendatang
Pengurangan kebisingan yang diperkenalkan oleh pendeteksian tidak akurat
Memfasilitasi proses Asosiasi beberapa objek untuk jejak mereka
Tantangan objek pelacakan
Sebelum menampilkan penggunaan Kalman filter, mari kita pertama Periksa tantangan pelacakan objek dalam
video. Video berikut ini menunjukkan sebuah bola hijau yang bergerak dari kiri ke kanan di lantai.
showDetections();
Wilayah putih atas bola menyoroti pixel terdeteksi menggunakan visivision.ForegroundDetector, yang
memisahkan objek bergerak dari latar belakang.Pengurangan latar belakang hanya menemukan sebagian bola
karena rendah kontras antara bola dan lantai. Dengan kata lain, proses deteksi tidak ideal dan memperkenalkan
kebisingan.
Untuk mudah memvisualisasikan seluruh objek lintasan, kita overlay semua frame video ke berkas tunggal. Tanda
"+" menunjukkan centroids dihitung menggunakan analisis gumpalan.
showTrajectory();
Open Script

2. Dua masalah dapat diamati:
1. Pusat wilayah ini biasanya berbeda dari pusat bola. Dengan kata lain, ada kesalahan dalam pengukuran bola
lokasi.
2. Lokasi bola tidak tersedia ketika itu adalah tersumbat oleh kotak, yaitu pengukuran hilang.
Kedua tantangan ini dapat diatasi dengan menggunakan Kalman filter.
Melacak objek tunggal menggunakan Kalman Filter
Menggunakan video yang terlihat sebelumnya, fungsi trackSingleObjectmenunjukkan Anda bagaimana untuk:
Menciptakan visi vision.KalmanFilter dengan menggunakanconfigureKalmanFilter
Menggunakan metode predict dan correct dalam urutan yang untuk menghilangkan kebisingan hadir dalam
sistem pelacakan
Menggunakan metode predict sendiri untuk memperkirakan lokasi bola ketika itu adalah tersumbat oleh kotak
Pemilihan Kalman filter parameter dapat menantang. Fungsi configureKalmanFiltermembantu menyederhanakan
masalah ini. Rincian lebih lanjut tentang ini dapat ditemukan lebih lanjut dalam contoh.
Fungsi trackSingleObject mencakup fungsi pembantu bersarang. Top­level variabel berikut digunakan untuk
mentransfer data antara fungsi bersarang.
frame = []; % A video frame
detectedLocation = []; % The detected location
trackedLocation = []; % The tracked location
label = ''; % Label for the ball
utilities = []; % Utilities used to process the video
Prosedur untuk Pelacakan objek tunggal ditunjukkan di bawah.
function trackSingleObject(param)
% Create utilities used for reading video, detecting moving objects,
% and displaying the results.
utilities = createUtilities(param);
isTrackInitialized = false;
while ~isDone(utilities.videoReader)
frame = readFrame();
% Detect the ball.
[detectedLocation, isObjectDetected] = detectObject(frame);

3. if ~isTrackInitialized
if isObjectDetected
% Initialize a track by creating a Kalman filter when the ball is
% detected for the first time.
initialLocation = computeInitialLocation(param, detectedLocation);
kalmanFilter = configureKalmanFilter(param.motionModel, ...
initialLocation, param.initialEstimateError, ...
param.motionNoise, param.measurementNoise);
isTrackInitialized = true;
trackedLocation = correct(kalmanFilter, detectedLocation);
label = 'Initial';
else
trackedLocation = [];
label = '';
end
else
% Use the Kalman filter to track the ball.
if isObjectDetected % The ball was detected.
% Reduce the measurement noise by calling predict followed by
% correct.
predict(kalmanFilter);
trackedLocation = correct(kalmanFilter, detectedLocation);
label = 'Corrected';
else % The ball was missing.
% Predict the ball's location.
trackedLocation = predict(kalmanFilter);
label = 'Predicted';
end
end
annotateTrackedObject();
end % while
showTrajectory();
end
Ada dua skenario yang berbeda yang Kalman filter Alamat:
Ketika bola terdeteksi, Kalman filter pertama memprediksi negara pada saat ini video bingkai, dan kemudian
menggunakan lokasi objek baru terdeteksi untuk memperbaiki keadaan. Hal ini menghasilkan lokasi yang
disaring.
Ketika bola hilang, Kalman filter semata­mata bergantung pada keadaan sebelumnya untuk memprediksi bola
lokasi saat ini.
Anda dapat melihat lintasan bola dengan overlaying semua video frame.
param = getDefaultParameters(); % get Kalman configuration that works well
% for this example
trackSingleObject(param); % visualize the results

4. Menjelajahi opsi­opsi konfigurasi Kalman Filter
Konfigurasi Kalman filter bisa sangat menantang. Selain pemahaman dasar filter Kalman, hal ini sering
membutuhkan eksperimen untuk datang dengan satu set parameter konfigurasi
cocok. Fungsi trackSingleObject , yang didefinisikan di atas, membantu Anda untuk menjelajahi berbagai pilihan
konfigurasi yang ditawarkan oleh fungsi configureKalmanFilter .
Fungsi configureKalmanFilter mengembalikan sebuah objek filter Kalman. Anda harus memberikan lima
masukan argumen.
kalmanFilter = configureKalmanFilter(MotionModel, InitialLocation,
InitialEstimateError, MotionNoise, MeasurementNoise)
Pengaturan MotionModel harus sesuai dengan karakteristik fisik dari gerak benda.Anda dapat mengatur kecepatan
konstan atau konstan percepatan model. Contoh berikut menggambarkan konsekuensi dari membuat pilihan sub­
optimal.
param = getDefaultParameters(); % get parameters that work well
param.motionModel = 'ConstantVelocity'; % switch from ConstantAcceleration
% to ConstantVelocity
% After switching motion models, drop noise specification entries
% corresponding to acceleration.
param.initialEstimateError = param.initialEstimateError(1:2);
param.motionNoise = param.motionNoise(1:2);
trackSingleObject(param); % visualize the results

5. Perhatikan bahwa bola muncul di tempat yang berbeda dari lokasi yang diperkirakan.Dari waktu ketika bola dirilis, itu
tergantung konstan perlambatan karena perlawanan dari karpet. Oleh karena itu, model percepatan konstan adalah
pilihan yang lebih baik.Jika Anda terus model kecepatan konstan, hasil pelacakan akan sub­optimal tidak peduli apa
yang Anda pilih untuk nilai­nilai lainnya.
Biasanya, Anda akan mengatur masukan InitialLocation ke lokasi mana objek pertama kali terdeteksi. Anda juga
akan mengatur vektor InitialEstimateError nilai­nilai besar karena keadaan awal mungkin sangat bising mengingat
bahwa itu berasal dari deteksi tunggal. Gambar berikut menunjukkan efek dari misconfiguring parameter ini.
param = getDefaultParameters(); % get parameters that work well
param.initialLocation = [0, 0]; % location that's not based on an actual detection
param.initialEstimateError = 100*ones(1,3); % use relatively small values
trackSingleObject(param); % visualize the results

6. Dengan parameter misconfigured, butuh beberapa langkah sebelum lokasi yang dikembalikan oleh Kalman filter
sejajar dengan lintasan yang sebenarnya objek.
Nilai MeasurementNoise harus dipilih berdasarkan detektor akurasi. Mengatur pengukuran kebisingan dengan lebih
besar nilai untuk detektor kurang akurat. Contoh berikut menggambarkan pendeteksian bising dari ambang
segmentasi misconfigured.Meningkatkan pengukuran kebisingan menyebabkan Kalman filter dengan lebih
mengandalkan pada keadaan internal daripada pengukuran masuk, dan dengan demikian mengkompensasi deteksi
kebisingan.
param = getDefaultParameters();
param.segmentationThreshold = 0.0005; % smaller value resulting in noisy detections
param.measurementNoise = 12500; % increase the value to compensate
% for the increase in measurement noise
trackSingleObject(param); % visualize the results

7. Biasanya objek tidak bergerak dengan konstan percepatan atau kecepatan konstan.Anda
menggunakan MotionNoise untuk menentukan jumlah penyimpangan dari model ideal gerak. Ketika Anda
meningkatkan suara gerak, Kalman filter lebih sangat bergantung pada pengukuran masuk daripada pada keadaan
internal. Mencoba bereksperimen dengan parameter MotionNoise untuk mempelajari lebih lanjut tentang efek.
Sekarang bahwa Anda sudah familiar dengan cara menggunakan Kalman filter dan bagaimana cara
mengkonfigurasinya, Bagian berikutnya akan membantu Anda belajar bagaimana hal itu dapat digunakan untuk
beberapa objek pelacakan.
Catatan: Untuk menyederhanakan proses konfigurasi dalam contoh di atas, kita menggunakan
fungsi configureKalmanFilter . Fungsi ini membuat beberapa asumsi.Lihat dokumentasi fungsi untuk
rincian. Jika Anda membutuhkan tingkat yang lebih besar kontrol atas proses konfigurasi, Anda dapat menggunakan
visivision.KalmanFilter objek secara langsung.
Melacak beberapa objek yang menggunakan Kalman Filter
Pelacakan beberapa objek pose beberapa tantangan tambahan:
Beberapa pendeteksian harus dihubungkan dengan benar trek
Anda harus menangani objek baru yang muncul di adegan
Identitas objek harus dipertahankan ketika beberapa objek bergabung menjadi satu deteksi
Visi vision.KalmanFilter objek bersama dengan fungsiassignDetectionsToTracks dapat membantu
memecahkan masalah
Menetapkan pendeteksian ke trek
Dengan kata lain, menentukan apakah deteksi sesuai dengan objek baru, melacak penciptaan
Seperti dalam kasus objek tunggal occluded, prediksi dapat digunakan untuk membantu beberapa benda­benda
yang dekat satu sama lain
Untuk mempelajari lebih lanjut tentang menggunakan Kalman filter untuk melacak beberapa objek, lihat contoh
berjudul berbasis gerakan beberapa objek pelacakan.
Fungsi utilitas yang digunakan dalam contoh
Fungsi utilitas yang digunakan untuk mendeteksi objek dan menampilkan hasilnya.Bagian ini menggambarkan
bagaimana contoh menerapkan fungsi­fungsi ini.
Mendapatkan parameter default untuk membuat penyaring Kalman dan segmentasi bola.
function param = getDefaultParameters
param.motionModel = 'ConstantAcceleration';
param.initialLocation = 'Same as first detection';
param.initialEstimateError = 1E5 * ones(1, 3);

8. param.motionNoise = [25, 10, 1];
param.measurementNoise = 25;
param.segmentationThreshold = 0.05;
end
Membaca frame video berikutnya dari video file.
function frame = readFrame()
frame = step(utilities.videoReader);
end
Mendeteksi dan anotasi bola dalam video.
function showDetections()
param = getDefaultParameters();
utilities = createUtilities(param);
trackedLocation = [];
idx = 0;
while ~isDone(utilities.videoReader)
frame = readFrame();
detectedLocation = detectObject(frame);
% Show the detection result for the current video frame.
annotateTrackedObject();
% To highlight the effects of the measurement noise, show the detection
% results for the 40th frame in a separate figure.
idx = idx + 1;
if idx == 40
combinedImage = max(repmat(utilities.foregroundMask, [1,1,3]), frame);
figure, imshow(combinedImage);
end
end % while
% Close the window which was used to show individual video frame.
uiscopes.close('All');
end
Mendeteksi bola dalam bingkai video saat ini.
function [detection, isObjectDetected] = detectObject(frame)
grayImage = rgb2gray(frame);
utilities.foregroundMask = step(utilities.foregroundDetector, grayImage);
detection = step(utilities.blobAnalyzer, utilities.foregroundMask);
if isempty(detection)
isObjectDetected = false;
else
% To simplify the tracking process, only use the first detected object.
detection = detection(1, :);
isObjectDetected = true;
end
end
Menampilkan hasil Deteksi dan pelacakan saat ini.
function annotateTrackedObject()
accumulateResults();
% Combine the foreground mask with the current video frame in order to
% show the detection result.
combinedImage = max(repmat(utilities.foregroundMask, [1,1,3]), frame);
if ~isempty(trackedLocation)

9. shape = 'circle';
region = trackedLocation;
region(:, 3) = 5;
combinedImage = insertObjectAnnotation(combinedImage, shape, ...
region, {label}, 'Color', 'red');
end
step(utilities.videoPlayer, combinedImage);
end
Menunjukkan lintasan bola dengan overlaying semua video bingkai di atas satu sama lain.
function showTrajectory
% Close the window which was used to show individual video frame.
uiscopes.close('All');
% Create a figure to show the processing results for all video frames.
figure; imshow(utilities.accumulatedImage/2+0.5); hold on;
plot(utilities.accumulatedDetections(:,1), ...
utilities.accumulatedDetections(:,2), 'k+');
if ~isempty(utilities.accumulatedTrackings)
plot(utilities.accumulatedTrackings(:,1), ...
utilities.accumulatedTrackings(:,2), 'r‐o');
legend('Detection', 'Tracking');
end
end
Mengumpulkan video frame, terdeteksi lokasi, dan lokasi yang dilacak untuk menunjukkan lintasan bola.
function accumulateResults()
utilities.accumulatedImage = max(utilities.accumulatedImage, frame);
utilities.accumulatedDetections ...
= [utilities.accumulatedDetections; detectedLocation];
utilities.accumulatedTrackings ...
= [utilities.accumulatedTrackings; trackedLocation];
end
Untuk tujuan ilustrasi, pilih lokasi awal digunakan oleh penyaring Kalman.
function loc = computeInitialLocation(param, detectedLocation)
if strcmp(param.initialLocation, 'Same as first detection')
loc = detectedLocation;
else
loc = param.initialLocation;
end
end
Membuat utilitas untuk membaca video, mendeteksi objek bergerak, dan menampilkan hasilnya.
function utilities = createUtilities(param)
% Create System objects for reading video, displaying video, extracting
% foreground, and analyzing connected components.
utilities.videoReader = vision.VideoFileReader('singleball.mp4');
utilities.videoPlayer = vision.VideoPlayer('Position', [100,100,500,400]);
utilities.foregroundDetector = vision.ForegroundDetector(...
'NumTrainingFrames', 10, 'InitialVariance', param.segmentationThreshold);
utilities.blobAnalyzer = vision.BlobAnalysis('AreaOutputPort', false,
'MinimumBlobArea', 70, 'CentroidOutputPort', true);
utilities.accumulatedImage = 0;
utilities.accumulatedDetections = zeros(0, 2);
utilities.accumulatedTrackings = zeros(0, 2);

10. end
end
Apakah topik ini berma