私はCVオブジェクトトラッキングのカルマンフィルタについていくつかの研究を読んでいますが、私は以下の選択に関する参考文献を見つけることができません：1）プロセス雑音共分散Q。これまでのところ、モデルは運動方程式であることが分かりました（誰かが状態変数として加速度を使用し、他は位置と速度のみを使用します）が、mathworksによってこの例を含むQとRの選択については誰も明確ではありません：http://www.mathworks.it/it/help/vision/examples/using-kalman-filter-for-object-tracking.html 最近このページが見つかりました： http://blog.cordiner.net/2011/05/03/object-tracking-using-a-kalman-filter-matlab/ しかし、QとRの割り当ては明確ではありません。誰でも助けてくれますか？コンピュータビジョンのカルマンフィルタ：QとRのノイズ共分散の選択
Rは、測定ノイズの共分散行列であり、ガウスであると仮定されます。ビデオ内のオブジェクトを追跡するコンテキストでは、検出エラーを意味します。フェイスディテクタを使用して顔を検出し、カルマンフィルタを使用して顔を検出したいとします。検出器を実行すると、各顔の境界ボックスが表示され、カルマンフィルタを使用して各ボックスの重心を追跡します。 R行列は、重心の位置についてあなたがどれほど不確実であるかを記述しなければなりません。したがって、x、y座標の場合、Rの対応する対角値は数ピクセルでなければなりません。あなたの状態に速度が含まれている場合は、速度測定の不確かさを推測し、単位を考慮する必要があります。あなたの位置がピクセルで測定され、フレームあたりの速度がピクセルである場合、Rの対角要素はそれを反映しなければなりません。
Qはプロセスノイズの共分散です。簡単に言えば、Qは、オブジェクトの実際の動きが仮定した動きモデルからどのくらいずれているかを指定します。あなたが道路上の車を追跡しているならば、一定速度モデルは合理的に良好でなければならず、Qのエントリーは小さくなければならない。人々の顔を追跡している場合、一定の速度で移動する可能性は低いので、Qをクランクする必要があります。再び、状態変数が表される単位を認識する必要があります。
これは直感です。実際には、RとQのためのいくつかの合理的な最初の推測から始めて、それらを実験的に調整します。だから、RとQを設定するのはちょっとした技術です。また、ほとんどの場合、RとQに対して対角行列を使用すれば十分です。
Matalbのvision.KalmanFilterを複数の人物の追跡に使用するexampleがあります。
お返事ありがとうございます。私はQとRが物理的に何かを知っていますが、例えばモデルノイズの共分散Qを割り当てるためのアドバイスや手順、メソッドがあるのだろうかと思います。私のアプリケーションは単純なオブジェクトトラッキングであり、Rは " /カーソルの位置（取得したノイズだけで状態変数として位置のみを測定できると仮定した場合）。私の問題はQです。たとえば、上のページとこれをリンクしたページの両方：http://studentdavestutorials.weebly.com/object-tracking-2d-kalman-filter.html Qに同じ値を割り当てます。（0.1）^ 2私が検討しなければならないものがあるかどうか疑問に思う – Orlok
試してみるべきことは、予測をプロットし、検出からどれだけずれているかを見ることです。あなたがRについて確信があるなら、これはQが正しいかどうかを教えてくれるでしょう。 – Dima
返事をありがとう、それは私に役立った。 最初の段落の最初の文に間違いがあります。 RはMEASUREMENT NOISEの共分散行列です。 出典：http：//campar.in.tum.de/Chair/KalmanFilter – ALM
実際のデータ（測定値）はありますか？それらを使ってRとQの近似値を得ることができます。Rはセンサーの品質に依存し、固定値はありませんが実際の測定値から推定できます。 Rはセンサーの正確さを表しています。 Qはあなたのモデルの正確さの尺度です - いくつかのダイナミクスは複雑すぎてモデル化できず、プロセスノイズとみなされます。あなたのモデルの予測と実際の測定値を比較することで、あなたは推定できます。Q. QとRの選択肢は文献によって異なります。 – remus
お返事ありがとうございます。あなたは以下のコメントを読むことができますか？ありがとう。 – Orlok