cv::KalmanFilter 类参考

卡尔曼滤波器类。 更多…

#include <opencv2/video/tracking.hpp>

cv::KalmanFilter 协作图

公共成员函数
	KalmanFilter ()
	KalmanFilter (int dynamParams, int measureParams, int controlParams=0, int type=CV_32F)
const Mat &	correct (const Mat &measurement)
	根据测量值更新预测状态。
void	init (int dynamParams, int measureParams, int controlParams=0, int type=CV_32F)
	重新初始化卡尔曼滤波器。之前的內容将被销毁。
const Mat &	predict (const Mat &control=Mat())
	计算预测状态。

公共属性
Mat	controlMatrix
	控制矩阵 (B)（如果没有控制则不使用）
Mat	errorCovPost
	后验误差估计协方差矩阵 (P(k)): P(k)=(I-K(k)*H)*P'(k)
Mat	errorCovPre
	先验误差估计协方差矩阵 (P'(k)): P'(k)=A*P(k-1)*At + Q)*‍/
Mat	gain
	卡尔曼增益矩阵 (K(k)): K(k)=P'(k)*Ht*inv(H*P'(k)*Ht+R)
Mat	measurementMatrix
	测量矩阵 (H)
Mat	measurementNoiseCov
	测量噪声协方差矩阵 (R)
Mat	processNoiseCov
	过程噪声协方差矩阵 (Q)
Mat	statePost
	校正状态 (x(k)): x(k)=x'(k)+K(k)*(z(k)-H*x'(k))
Mat	statePre
	预测状态 (x'(k)): x(k)=A*x(k-1)+B*u(k)
Mat	temp1
Mat	temp2
Mat	temp3
Mat	temp4
Mat	temp5
Mat	transitionMatrix
	状态转移矩阵 (A)

详细描述

卡尔曼滤波器类。

此类实现标准卡尔曼滤波器 http://en.wikipedia.org/wiki/Kalman_filter，[297]。但是，您可以修改 transitionMatrix、controlMatrix 和 measurementMatrix 以获得扩展卡尔曼滤波器功能。

注意

在 C API 中，当不再需要 CvKalman* kalmanFilter 结构时，应使用 cvReleaseKalman(&kalmanFilter) 释放它。

示例

samples/cpp/kalman.cpp.

构造函数和析构函数文档

KalmanFilter() [1/2]

cv::KalmanFilter::KalmanFilter

(

)

Python
	cv.KalmanFilter(		) ->	<KalmanFilter 对象>
	cv.KalmanFilter(	dynamParams, measureParams[, controlParams[, type]]	) ->	<KalmanFilter 对象>

KalmanFilter() [2/2]

cv::KalmanFilter::KalmanFilter	(	int	dynamParams,
		int	measureParams,
		int	controlParams = 0,
		int	type = CV_32F )

Python
	cv.KalmanFilter(		) ->	<KalmanFilter 对象>
	cv.KalmanFilter(	dynamParams, measureParams[, controlParams[, type]]	) ->	<KalmanFilter 对象>

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

参数

dynamParams	状态的维数。
measureParams	测量的维数。
controlParams	控制向量的维数。
type	创建矩阵的类型，应为 CV_32F 或 CV_64F。

成员函数文档

correct()

const Mat & cv::KalmanFilter::correct

(

const Mat &

measurement

)

Python
	cv.KalmanFilter.correct(	measurement	) ->	retval

根据测量值更新预测状态。

参数

measurement

测量的系统参数

init()

void cv::KalmanFilter::init	(	int	dynamParams,
		int	measureParams,
		int	controlParams = 0,
		int	type = CV_32F )

重新初始化卡尔曼滤波器。之前的內容将被销毁。

参数

dynamParams	状态的维数。
measureParams	测量的维数。
controlParams	控制向量的维数。
type	创建矩阵的类型，应为 CV_32F 或 CV_64F。

predict()

const Mat & cv::KalmanFilter::predict

(

const Mat &

control = Mat()

)

Python
	cv.KalmanFilter.predict(	[, control]	) ->	retval

计算预测状态。

参数

control

可选的输入控制

成员数据文档

controlMatrix

Mat cv::KalmanFilter::controlMatrix

控制矩阵 (B)（如果没有控制则不使用）

errorCovPost

Mat cv::KalmanFilter::errorCovPost

后验误差估计协方差矩阵 (P(k)): P(k)=(I-K(k)*H)*P'(k)

errorCovPre

Mat cv::KalmanFilter::errorCovPre

先验误差估计协方差矩阵 (P'(k)): P'(k)=A*P(k-1)*At + Q)*‍/

gain

Mat cv::KalmanFilter::gain

卡尔曼增益矩阵 (K(k)): K(k)=P'(k)*Ht*inv(H*P'(k)*Ht+R)

measurementMatrix

Mat cv::KalmanFilter::measurementMatrix

测量矩阵 (H)

measurementNoiseCov

Mat cv::KalmanFilter::measurementNoiseCov

测量噪声协方差矩阵 (R)

processNoiseCov

Mat cv::KalmanFilter::processNoiseCov

过程噪声协方差矩阵 (Q)

statePost

Mat cv::KalmanFilter::statePost

校正状态 (x(k)): x(k)=x'(k)+K(k)*(z(k)-H*x'(k))

statePre

Mat cv::KalmanFilter::statePre

预测状态 (x'(k)): x(k)=A*x(k-1)+B*u(k)

temp1

Mat cv::KalmanFilter::temp1

temp2

Mat cv::KalmanFilter::temp2

temp3

Mat cv::KalmanFilter::temp3

temp4

Mat cv::KalmanFilter::temp4

temp5

Mat cv::KalmanFilter::temp5

transitionMatrix

Mat cv::KalmanFilter::transitionMatrix

状态转移矩阵 (A)

---

此类的文档是从以下文件生成的

• opencv2/video/tracking.hpp