计算机视觉中的卡尔曼滤波器：Q 和 R 噪声协方差的选择

Question

我阅读了一些关于用于 CV 对象跟踪的卡尔曼滤波器的作品，但我找不到关于以下选择的参考：1）过程噪声协方差 Q； 2）测量噪声协方差R。到目前为止，我已经意识到该模型是运动方程（有人使用加速度作为状态变量，其他人仅使用位置和速度）但没有人清楚Q和R的选择，包括mathworks的这个例子：@ 987654321@ 最近我发现了这个页面： http://blog.cordiner.net/2011/05/03/object-tracking-using-a-kalman-filter-matlab/ 但 Q 和 R 的分配并不清楚。有谁知道请帮帮我吗？

Answer 1

R 是测量噪声的协方差矩阵，假设为高斯。在视频中跟踪对象的上下文中，这意味着您的检测错误。假设您正在使用面部检测器来检测面部，然后您想使用卡尔曼滤波器来跟踪它们。运行检测器，得到每个人脸的边界框，然后使用卡尔曼滤波器跟踪每个框的质心。 R 矩阵必须描述您对质心位置的不确定性。所以在这种情况下，对于 x,y 坐标，R 的对应对角线值应该是几个像素。如果您的状态包括速度，那么您需要猜测速度测量的不确定性，并考虑单位。如果您的位置以像素为单位，而您的速度以每帧的像素为单位，则 R 的对角线条目必须反映这一点。

Q 是过程噪声的协方差。简而言之，Q 指定了物体的实际运动与假设的运动模型的偏差程度。如果您在道路上跟踪汽车，那么等速模型应该相当不错，并且 Q 的条目应该很小。如果您正在跟踪人脸，他们不太可能以恒定速度移动，因此您需要调高 Q。同样，您需要了解状态变量的表达单位。

这就是直觉。在实践中，您首先对 R 和 Q 进行一些合理的初始猜测，然后通过实验调整它们。所以设置 R 和 Q 有点艺术。此外，在大多数情况下，对 R 和 Q 使用对角矩阵就足够了。

这是一个 example，它使用 Matalb 中的 vision.KalmanFilter 来跟踪多人。