Question

我尝试使用卡尔曼滤波器稳定视频以进行平滑处理。但我有一些问题

每次，我有两个框架：一个是当前的，另一个是。我的工作流程在这里：

计算goodFeaturesToTrack（）
使用calcOpticalFlowPyrLK（）
只留下好点
估计严格的转变
使用卡尔曼滤波器进行平滑
图片翘曲。

但是我认为卡尔曼有问题，因为最后我的视频仍然没有稳定，而且它根本不光滑，它甚至比原来还差......

这是我的卡尔曼代码

void StabilizationTestSimple2::init_kalman(double x, double y)
{

    KF.statePre.at<float>(0) = x;
    KF.statePre.at<float>(1) = y;
    KF.statePre.at<float>(2) = 0;
    KF.statePre.at<float>(3) = 0;

    KF.transitionMatrix = *(Mat_<float>(4,4) << 1,0,1,0,    0,1,0,1,     0,0,1,0,   0,0,0,1);
    KF.processNoiseCov = *(Mat_<float>(4,4) << 0.2,0,0.2,0,  0,0.2,0,0.2,  0,0,0.3,0,
                           0,0,0,0.3);
    setIdentity(KF.measurementMatrix);
    setIdentity(KF.processNoiseCov,Scalar::all(1e-6));
    setIdentity(KF.measurementNoiseCov,Scalar::all(1e-1));
    setIdentity(KF.errorCovPost, Scalar::all(.1));
}

以及我如何使用它。我只把有趣的部分。所有这些代码都在flor循环中。 cornerPrev2和cornerCurr2包含之前检测到的所有要素点（使用calcOpticalFlowPyrLK（））

    /// Transformation
    Mat transformMatrix = estimateRigidTransform(cornersPrev2,cornersCurr2 ,false);

    // in rare cases no transform is found. We'll just use the last known good transform.
    if(transformMatrix.data == NULL) {
        last_transformationmatrix.copyTo(transformMatrix);
    }

    transformMatrix.copyTo(last_transformationmatrix);

    // decompose T
    double dx = transformMatrix.at<double>(0,2);
    double dy = transformMatrix.at<double>(1,2);
    double da = atan2(transformMatrix.at<double>(1,0), transformMatrix.at<double>(0,0));

    // Accumulated frame to frame transform
    x += dx;
    y += dy;
    a += da;
    std::cout << "accumulated x,y: (" << x << "," << y << ")" << endl;

    if (compteur==0){
        init_kalman(x,y);
    }
    else {


          vector<Point2f> smooth_feature_point;
          Point2f smooth_feature=kalman_predict_correct(x,y);
          smooth_feature_point.push_back(smooth_feature);
          std::cout << "smooth x,y: (" << smooth_feature.x << "," << smooth_feature.y << ")" << endl;

          // target - current
          double diff_x = smooth_feature.x - x;//
          double diff_y = smooth_feature.y - y;

          dx = dx + diff_x;
          dy = dy + diff_y;

          transformMatrix.at<double>(0,0) = cos(da);
          transformMatrix.at<double>(0,1) = -sin(da);
          transformMatrix.at<double>(1,0) = sin(da);
          transformMatrix.at<double>(1,1) = cos(da);
          transformMatrix.at<double>(0,2) = dx;
          transformMatrix.at<double>(1,2) = dy;

          warpAffine(currFrame,outImg,transformMatrix,prevFrame.size(), INTER_NEAREST|WARP_INVERSE_MAP, BORDER_CONSTANT);

          namedWindow("stabilized");
          imshow("stabilized",outImg);
          namedWindow("Original");
          imshow("Original",originalFrame);


    }

有人可以知道它为什么不起作用吗？

感谢

Answer 1

KF.transitionMatrix = *(Mat_<float>(4,4) << 1,0,1,0,    0,1,0,1,     0,0,1,0,   0,0,0,1);
KF.processNoiseCov = *(Mat_<float>(4,4) << 0.2,0,0.2,0,  0,0.2,0,0.2,  0,0,0.3,0,
                       0,0,0,0.3);
setIdentity(KF.measurementMatrix);
setIdentity(KF.processNoiseCov,Scalar::all(1e-6));
setIdentity(KF.measurementNoiseCov,Scalar::all(1e-1));
setIdentity(KF.errorCovPost, Scalar::all(.1));

您的processNoiseCov不对称，我怀疑您是否有正确的非对角线条款。我会坚持使用对角矩阵，直到你更好地理解KF。

另一方面，您似乎立即使用具有微小值的setIdentity覆盖它，这可能是一个错误。也许您在上面的无效矩阵出现问题后添加了？

如果您描述帧率和州的单位（米？像素？），我们可以讨论如何为processNoiseCov和measurementNoiseCov选择好的值。

编辑：

好的，鉴于你的州是[ x_pixels, y_pixels, dx_pixels, dy_pixels ]，这里有一些提示：

您的测量矩阵为I，因此您说您正在测量与您所在状态完全相同的东西（这有点不常见：通常您只测量您所在州的某些子集，例如你在测量中没有估计速度。）
鉴于您的度量矩阵为I，processNoiseCov和measurementNoiseCov的含义相似，因此我将一起讨论它们。您的processNoiseCov应该是一个对角矩阵，其中每个项都是方差（标准差的平方），这些值可能在帧之间发生变化。例如，如果有68％的几率（参见正态分布），您的像素偏移在每帧100像素内，则位置的对角线条目应为100 * 100 = 10000（记住，方差为平方stddev）。您需要对速度如何变化进行类似的估算。（高级：应该有共同变化的（非对角线）术语，因为速度的变化与位置的变化有关，但是在没有这个的情况下你可以顺利通过，直到你对它有意义。我在其他答案中解释了它）。
每个框架都会添加processNoiseCov中的附加协方差，因此请记住所表示的更改超过1/25秒。
您的measurementNoiseCov具有相同类型的单位（同样，测量矩阵是标识），但应反映您的测量与不可知的实际真实值的准确度。
通常，您可以测量过程和测量的实际值，并计算它们的实际协方差（以excel或python或Matlab或其他方式）。
您的errorCovPost是您最初的不确定性，表达方式就像您的每帧附加协方差一样，但它描述了您对初始状态的确定程度。
在使用KF时，使这些协方差矩阵正确是最重要的事情。在设计KF时，你总是花更多的时间来做正确的事情。

C ++ / OpenCV - 用于视频稳定的卡尔曼滤波器

1 个答案: