?

from __future__ import print_function from numba import jit import numpy as np from scipy.optimize import linear_sum_assignment from filterpy.kalman import KalmanFilter#計算IOU（交并比） @jit def iou(bb_test,bb_gt):"""在兩個box間計算IOU:param bb_test: box1 = [x1,y1,x2,y2] 左上角坐標:param bb_gt: box2 = [x1,y1,x2,y2] 右下角坐標:return: 交并比IOU"""#在兩個box間的左上角坐標的最大值xx1 = np.maximum(bb_test[0],bb_gt[0])#左上角坐標x的最大值yy1 = np.maximum(bb_test[1],bb_gt[1])#左上角坐標y的最大值#在兩個box間的右下角坐標的最小值xx2 = np.minimum(bb_test[2],bb_gt[2])#右下角坐標x的最小值yy2 = np.minimum(bb_test[3],bb_test[3])#右下角坐標y的最小值#交的寬高w = np.maximum(0,xx2-xx1)h = np.maximum(0,yy2-yy1)#交的面積wh = w*h#并的面積s = ((bb_test[2] - bb_test[0]) * (bb_test[3] - bb_test[1])+ (bb_gt[2] - bb_gt[0]) * (bb_gt[3] - bb_gt[1]) - wh)#計算IOU并且返回IOUo_rate = wh/sreturn o_rate#左上角坐標[x1,y1]和右下角坐標[x2,y2], #將候選框從坐標形式[x1,y1,x2,y2]轉換為中心點坐標和面積的形式[x,y,s,r] #其中x，y是框的中心坐標，s是面積，尺度，r是寬高比 def convert_bbox_to_z(bbox):"""將[x1,y1,x2,y2]形式的檢測框轉為濾波器的狀態表示形式[x,y,s,r]。其中x，y是框的中心坐標，s是面積，尺度，r是寬高比:param bbox: [x1,y1,x2,y2] 分別是左上角坐標和右下角坐標:return: [ x, y, s, r ] 4行1列，其中x,y是box中心位置的坐標，s是面積，r是縱橫比w/h"""w = bbox[2] - bbox[0]#寬 x2-x1：#右下角的x坐標 - 左上角的x坐標 = 檢測框的寬h = bbox[3] - bbox[1]#高 y2-y1：#右下角的y坐標 - 左上角的y坐標 = 檢測框的高x = bbox[0] + w/2.0#檢測框的中心坐標x: x1+(x2-x1)/2.0 #左上角的x坐標 + 寬/2 = 檢測框中心位置的x坐標y = bbox[1] + h/2.0#檢測框的中心坐標y: y1+(y2-y1)/2.0 #左上角的y坐標 + 高/2 = 檢測框中心位置的y坐標s = w*h #檢測框的面積 #檢測框的寬 * 高 = 檢測框面積r = w/float(h) #檢測框的寬高比# 因為卡爾曼濾波器的輸入格式要求為4行1列，因此該[x, y, s, r]的形狀要轉換為4行1列再輸入到卡爾曼濾波器return np.array([x,y,s,r]).reshape([4,1]) #kalman需要四行一列的形式#將候選框從中心面積[x,y,s,r]的形式轉換成左上角坐標和右下角坐標[x1,y1,x2,y2]的形式 #即：將[cx，cy，s，r]的目標框表示轉為[x_min，y_min，x_max，y_max]的形式 def convert_x_to_bbox(x,score=None):"""將[cx，cy，s，r]的目標框表示轉為[x_min，y_min，x_max，y_max]的形式:param x:[ x, y, s, r ],其中x,y是box中心位置的坐標，s是面積，r是縱橫比w/h:param score: 置信度:return:[x1,y1,x2,y2],左上角坐標和右下角坐標""""""x[2]：s是面積，原公式s的來源為s = w * h，即檢測框的寬 * 高 = 檢測框面積。x[3]：r是縱橫比w/h，原公式r的來源為r = w / float(h)，即檢測框的寬w / 高h = 寬高比。x[2] * x[3]：s*r 即(w * h) * (w / float(h)) = w^2sqrt(x[2] * x[3])：sqrt(w^2) = w"""w = np.sqrt(x[2] * x[3]) #w =sqrt(s*r)=sqrt(s*w/h)=sqrt(w*h * w/h)=sqrt(w*w)h = x[2]/w #h =s/w =w*h/w =hx1 = x[0]-w/2.0 #左上角x坐標:x1 = x-w/2.0 #檢測框中心位置的x坐標 - 寬 / 2y1 = x[1]-h/2.0 #左上角y坐標:y1 = y-h/2.0 #檢測框中心位置的y坐標 - 高 / 2x2 = x[0]+w/2.0 #右下角x坐標:x2 = x+w/2.0 #檢測框中心位置的x坐標 + 寬 / 2y2 = x[1]+h/2.0 #右下角y坐標:y2 = y+h/2.0 #檢測框中心位置的y坐標 + 高 / 2if score is None:return np.array([x1,y1,x2,y2]).reshape((1,4))else:return np.array([x1,x1,x2,y2,score]).reshape((1,5))""" 卡爾曼濾波器進行跟蹤的相關內容的實現目標估計模型：1.根據上一幀的目標框結果來預測當前幀的目標框狀態，預測邊界框(目標框)的模型定義為一個等速運動/勻速運動模型。2.每個目標框都有對應的一個卡爾曼濾波器(KalmanBoxTracker實例對象)，KalmanBoxTracker類中的實例屬性專門負責記錄其對應的一個目標框中各種統計參數，并且使用類屬性負責記錄卡爾曼濾波器的創建個數，增加一個目標框就增加一個卡爾曼濾波器(KalmanBoxTracker實例對象)。 3.yoloV3、卡爾曼濾波器預測/更新流程步驟1.第一步：yoloV3目標檢測階段：--> 1.檢測到目標則創建檢測目標鏈/跟蹤目標鏈，反之檢測不到目標則重新循環目標檢測。--> 2.檢測目標鏈/跟蹤目標鏈不為空則進入卡爾曼濾波器predict預測階段，反之為空則重新循環目標檢測。2.第二步：卡爾曼濾波器predict預測階段：連續多次預測而不進行一次更新操作，那么代表了每次預測之后所進行的“預測目標和檢測目標之間的”相似度匹配都不成功，所以才會出現連續多次的“預測然后相似度匹配失敗的”情況，導致不會進入一次更新階段。如果一次預測然后相似度匹配成功的話，那么然后就會進入更新階段。--> 1.目標位置預測1.kf.predict()：目標位置預測2.目標框預測總次數：age+=1。3.if time_since_update > 0:hit_streak = 0time_since_update += 11.連續預測的次數，每執行predict一次即進行time_since_update+=1。2.在連續預測(連續執行predict)的過程中，一旦執行update的話，time_since_update就會被重置為0。3.在連續預測(連續執行predict)的過程中，只要連續預測的次數time_since_update大于0的話，就會把hit_streak(連續更新的次數)重置為0，表示連續預測的過程中沒有出現過一次更新狀態更新向量x(狀態變量x)的操作，即連續預測的過程中沒有執行過一次update。4.在連續更新(連續執行update)的過程中，一旦開始連續執行predict兩次或以上的情況下，當連續第一次執行predict時，因為time_since_update仍然為0，并不會把hit_streak重置為0，然后才會進行time_since_update+=1；當連續第二次執行predict時，因為time_since_update已經為1，那么便會把hit_streak重置為0，然后繼續進行time_since_update+=1。--> 2.預測的目標和檢測的目標之間的相似度匹配成功則進入update更新階段，反之匹配失敗則刪除跟蹤目標。3.第三步：卡爾曼濾波器update更新階段：如果一次預測然后“預測目標和檢測目標之間的”相似度匹配成功的話，那么然后就會進入更新階段。kf.update([x,y,s,r])：使用的是通過yoloV3得到的“并且和預測框相匹配的”檢測框來更新預測框。--> 1.目標位置信息更新到檢測目標鏈/跟蹤目標鏈 1.目標框更新總次數：hits+=1。2.history = []time_since_update = 0hit_streak += 11.history列表用于在預測階段保存單個目標框連續預測的多個結果，一旦執行update就會清空history列表。2.連續更新的次數，每執行update一次即進行hit_streak+=1。3.在連續預測(連續執行predict)的過程中，一旦執行update的話，time_since_update就會被重置為0。4.在連續預測(連續執行predict)的過程中，只要連續預測的次數time_since_update大于0的話，就會把hit_streak(連續更新的次數)重置為0，表示連續預測的過程中沒有出現過一次更新狀態更新向量x(狀態變量x)的操作，即連續預測的過程中沒有執行過一次update。5.在連續更新(連續執行update)的過程中，一旦開始連續執行predict兩次或以上的情況下，當連續第一次執行predict時，因為time_since_update仍然為0，并不會把hit_streak重置為0，然后才會進行time_since_update+=1；當連續第二次執行predict時，因為time_since_update已經為1，那么便會把hit_streak重置為0，然后繼續進行time_since_update+=1。--> 2.目標位置修正。1.kf.update([x,y,s,r])：使用觀測到的目標框bbox更新狀態變量x(狀態更新向量x)。使用的是通過yoloV3得到的“并且和預測框相匹配的”檢測框來更新卡爾曼濾波器得到的預測框。1.初始化、預測、更新1.__init__(bbox)：初始化卡爾曼濾波器的狀態更新向量x(狀態變量x)、觀測輸入[x,y,s,r](通過[x1,y1,x2,y2]轉化而來)、狀態轉移矩陣F、量測矩陣H(觀測矩陣H)、測量噪聲的協方差矩陣R、先驗估計的協方差矩陣P、過程激勵噪聲的協方差矩陣Q。2.update(bbox)：根據觀測輸入來對狀態更新向量x(狀態變量x)進行更新3.predict()：根據狀態更新向量x(狀態變量x)更新的結果來預測目標的邊界框2.狀態變量、狀態轉移矩陣F、量測矩陣H(觀測矩陣H)、測量噪聲的協方差矩陣R、先驗估計的協方差矩陣P、過程激勵噪聲的協方差矩陣Q1.狀態更新向量x(狀態變量x)狀態更新向量x(狀態變量x)的設定是一個7維向量：x=[u,v,s,r,u^,v^,s^]T。u、v分別表示目標框的中心點位置的x、y坐標，s表示目標框的面積，r表示目標框的縱橫比/寬高比。u^、v^、s^分別表示橫向u(x方向)、縱向v(y方向)、面積s的運動變化速率。u、v、s、r初始化：根據第一幀的觀測結果進行初始化。u^、v^、s^初始化：當第一幀開始的時候初始化為0，到后面幀時會根據預測的結果來進行變化。2.狀態轉移矩陣F定義的是一個7*7的方陣(其對角線上的值都是1)。。運動形式和轉換矩陣的確定都是基于勻速運動模型，狀態轉移矩陣F根據運動學公式確定，跟蹤的目標假設為一個勻速運動的目標。通過7*7的狀態轉移矩陣F 乘以 7*1的狀態更新向量x(狀態變量x)即可得到一個更新后的7*1的狀態更新向量x，其中更新后的u、v、s即為當前幀結果。3.量測矩陣H(觀測矩陣H)量測矩陣H(觀測矩陣H)，定義的是一個4*7的矩陣。通過4*7的量測矩陣H(觀測矩陣H) 乘以 7*1的狀態更新向量x(狀態變量x) 即可得到一個 4*1的[u,v,s,r]的估計值。4.測量噪聲的協方差矩陣R、先驗估計的協方差矩陣P、過程激勵噪聲的協方差矩陣Q1.測量噪聲的協方差矩陣R：diag([1,1,10,10]T)2.先驗估計的協方差矩陣P：diag([10,10,10,10,1e4,1e4,1e4]T)。1e4：1x10的4次方。3.過程激勵噪聲的協方差矩陣Q：diag([1,1,1,1,0.01,0.01,1e-4]T)。1e-4：1x10的-4次方。4.1e數字的含義1e4：1x10的4次方1e-4：1x10的-4次方5.diag表示對角矩陣，寫作為diag(a1，a2,...,an)的對角矩陣實際表示為主對角線上的值依次為a1，a2,...,an，而主對角線之外的元素皆為0的矩陣。對角矩陣(diagonal matrix)是一個主對角線之外的元素皆為0的矩陣，常寫為diag（a1，a2,...,an) 。對角矩陣可以認為是矩陣中最簡單的一種，值得一提的是：對角線上的元素可以為 0 或其他值，對角線上元素相等的對角矩陣稱為數量矩陣；對角線上元素全為1的對角矩陣稱為單位矩陣。對角矩陣的運算包括和、差運算、數乘運算、同階對角陣的乘積運算，且結果仍為對角陣。 """ """ 1.跟蹤器鏈(列表)：實際就是多個的卡爾曼濾波KalmanBoxTracker自定義類的實例對象組成的列表。每個目標框都有對應的一個卡爾曼濾波器(KalmanBoxTracker實例對象)，KalmanBoxTracker類中的實例屬性專門負責記錄其對應的一個目標框中各種統計參數，并且使用類屬性負責記錄卡爾曼濾波器的創建個數，增加一個目標框就增加一個卡爾曼濾波器(KalmanBoxTracker實例對象)。把每個卡爾曼濾波器(KalmanBoxTracker實例對象)都存儲到跟蹤器鏈(列表)中。 2.unmatched_detections(列表)：1.檢測框中出現新目標，但此時預測框(跟蹤框)中仍不不存在該目標，那么就需要在創建新目標對應的預測框/跟蹤框(KalmanBoxTracker類的實例對象)，然后把新目標對應的KalmanBoxTracker類的實例對象放到跟蹤器鏈(列表)中。2.同時如果因為“跟蹤框和檢測框之間的”兩兩組合的匹配度IOU值小于iou閾值，則也要把目標檢測框放到unmatched_detections中。 3.unmatched_trackers(列表)：1.當跟蹤目標失敗或目標離開了畫面時，也即目標從檢測框中消失了，就應把目標對應的跟蹤框(預測框)從跟蹤器鏈中刪除。unmatched_trackers列表中保存的正是跟蹤失敗即離開畫面的目標，但該目標對應的預測框/跟蹤框(KalmanBoxTracker類的實例對象)此時仍然存在于跟蹤器鏈(列表)中，因此就需要把該目標對應的預測框/跟蹤框(KalmanBoxTracker類的實例對象)從跟蹤器鏈(列表)中刪除出去。2.同時如果因為“跟蹤框和檢測框之間的”兩兩組合的匹配度IOU值小于iou閾值，則也要把跟蹤目標框放到unmatched_trackers中。 """#卡爾曼濾波：對于目標框的狀態進行預測 class KalmanBoxTracker(object):"""每個目標框都有對應的一個卡爾曼濾波器(KalmanBoxTracker實例對象)，KalmanBoxTracker類中的實例屬性專門負責記錄其對應的一個目標框中各種統計參數，并且使用類屬性負責記錄卡爾曼濾波器的創建個數，增加一個目標框就增加一個卡爾曼濾波器(KalmanBoxTracker實例對象)。"""#記錄跟蹤框的個數count = 0 #類屬性負責記錄卡爾曼濾波器的創建個數，增加一個目標框就增加一個卡爾曼濾波器(KalmanBoxTracker實例對象"""__init__(bbox)使用目標框bbox為卡爾曼濾波的狀態進行初始化。初始化時傳入bbox，即根據觀測到的檢測框的結果來進行初始化。每個目標框都有對應的一個卡爾曼濾波器(KalmanBoxTracker實例對象)，KalmanBoxTracker類中的實例屬性專門負責記錄其對應的一個目標框中各種統計參數，并且使用類屬性負責記錄卡爾曼濾波器的創建個數，增加一個目標框就增加一個卡爾曼濾波器(KalmanBoxTracker實例對象)。1.kf = KalmanFilter(dim_x=7, dim_z=4)定義一個卡爾曼濾波器，利用這個卡爾曼濾波器對目標的狀態進行估計。dim_x=7定義是一個7維的狀態更新向量x(狀態變量x)：x=[u,v,s,r,u^,v^,s^]T。dim_z=4定義是一個4維的觀測輸入，即中心面積的形式[x,y,s,r]，即[檢測框中心位置的x坐標,y坐標,面積,寬高比]。2.kf.F = np.array(7*7的方陣)狀態轉移矩陣F，定義的是一個7*7的方陣其(對角線上的值都是1)。通過7*7的狀態轉移矩陣F 乘以 7*1的狀態更新向量x(狀態變量x)即可得到一個更新后的7*1的狀態更新向量x，其中更新后的u、v、s即為當前幀結果。通過狀態轉移矩陣對當前的觀測結果進行估計獲得預測的結果，然后用當前的預測的結果來作為下一次估計預測的基礎。3.kf.H = np.array(4*7的矩陣)量測矩陣H(觀測矩陣H)，定義的是一個4*7的矩陣。通過4*7的量測矩陣H(觀測矩陣H) 乘以 7*1的狀態更新向量x(狀態變量x) 即可得到一個 4*1的[u,v,s,r]的估計值。4.相應的協方差參數的設定，根據經驗值進行設定。1.R是測量噪聲的協方差矩陣，即真實值與測量值差的協方差。R=diag([1,1,10,10]T)kf.R[2:, 2:] *= 10.2.P是先驗估計的協方差矩陣diag([10,10,10,10,1e4,1e4,1e4]T)。1e4：1x10的4次方。kf.P[4:, 4:] *= 1000. # 設置了一個較大的值，給無法觀測的初始速度帶來很大的不確定性kf.P *= 10.3.Q是過程激勵噪聲的協方差矩陣diag([1,1,1,1,0.01,0.01,1e-4]T)。1e-4：1x10的-4次方。kf.Q[-1, -1] *= 0.01kf.Q[4:, 4:] *= 0.015.kf.x[:4] = convert_bbox_to_z(bbox)convert_bbox_to_z負責將[x1,y1,x2,y2]形式的檢測框bbox轉為中心面積的形式[x,y,s,r]。狀態更新向量x(狀態變量x)設定是一個七維向量：x=[u,v,s,r,u^,v^,s^]T。x[:4]即表示 u、v、s、r初始化為第一幀bbox觀測到的結果[x,y,s,r]。6.單個目標框對應的單個卡爾曼濾波器中的統計參數的更新每個目標框都有對應的一個卡爾曼濾波器(KalmanBoxTracker實例對象)，KalmanBoxTracker類中的實例屬性專門負責記錄其對應的一個目標框中各種統計參數，并且使用類屬性負責記錄卡爾曼濾波器的創建個數，增加一個目標框就增加一個卡爾曼濾波器(KalmanBoxTracker實例對象)。1.卡爾曼濾波器的個數有多少個目標框就有多少個卡爾曼濾波器，每個目標框都會有一個卡爾曼濾波器，即每個目標框都會有一個KalmanBoxTracker實例對象。count = 0：類屬性負責記錄卡爾曼濾波器的創建個數，增加一個目標框就增加一個卡爾曼濾波器(KalmanBoxTracker實例對象。id = KalmanBoxTracker.count：卡爾曼濾波器的個數，即目標框的個數。KalmanBoxTracker.count += 1：每增加一個目標框，即增加一個KalmanBoxTracker實例對象(卡爾曼濾波器)，那么類屬性count+=1。2.統計一個目標框對應的卡爾曼濾波器中各參數統計的次數1.age = 0：該目標框進行預測的總次數。每執行predict一次，便age+=1。2.hits = 0：該目標框進行更新的總次數。每執行update一次，便hits+=1。3.time_since_update = 01.連續預測的次數，每執行predict一次即進行time_since_update+=1。2.在連續預測(連續執行predict)的過程中，一旦執行update的話，time_since_update就會被重置為0。3.在連續預測(連續執行predict)的過程中，只要連續預測的次數time_since_update大于0的話，就會把hit_streak(連續更新的次數)重置為0，表示連續預測的過程中沒有出現過一次更新狀態更新向量x(狀態變量x)的操作，即連續預測的過程中沒有執行過一次update。4.hit_streak = 01.連續更新的次數，每執行update一次即進行hit_streak+=1。2.在連續更新(連續執行update)的過程中，一旦開始連續執行predict兩次或以上的情況下，當連續第一次執行predict時，因為time_since_update仍然為0，并不會把hit_streak重置為0，然后才會進行time_since_update+=1；當連續第二次執行predict時，因為time_since_update已經為1，那么便會把hit_streak重置為0，然后繼續進行time_since_update+=1。7.history = []：保存單個目標框連續預測的多個結果到history列表中，一旦執行update就會清空history列表。將預測的候選框從中心面積的形式[x,y,s,r]轉換為坐標的形式[x1,y1,x2,y2] 的bbox 再保存到 history列表中。"""# 內部使用KalmanFilter，7個狀態變量和4個觀測輸入def __init__(self,bbox):"""初始化邊界框和跟蹤器:param bbox:"""#等速模型#卡爾曼濾波：狀態轉移矩陣：7，觀測輸入矩陣:4self.kf = KalmanFilter(dim_x=7,dim_z=4) #初始化卡爾曼濾波器# F：狀態轉移/狀態變化矩陣 7*7 用當前的矩陣預測下一次的估計self.kf.F = np.array([[1, 0, 0, 0, 1, 0, 0],[0, 1, 0, 0, 0, 1, 0],[0, 0, 1, 0, 0, 0, 1],[0, 0, 0, 1, 0, 0, 0],[0, 0, 0, 0, 1, 0, 0],[0, 0, 0, 0, 0, 1, 0],[0, 0, 0, 0, 0, 0, 1]])#H:量測矩陣/觀測矩陣：4*7self.kf.H = np.array([[1, 0, 0, 0, 0, 0, 0],[0, 1, 0, 0, 0, 0, 0],[0, 0, 1, 0, 0, 0, 0],[0, 0, 0, 1, 0, 0, 0]])#R:測量噪聲的協方差,即真實值與測量值差的協方差self.kf.R[2:,2:] *= 10#P:先驗估計的協方差self.kf.P[4:,4:] *= 1000 #give high uncertainty to the unobservable initial velocities 對不可觀測的初始速度給予高度不確定性self.kf.P *= 10#Q:過程激勵噪聲的的協方差self.kf.Q[-1,-1] *= 0.01self.kd.Q[4:,4:] *= 0.01#X:觀測結果、狀態估計self.kf.x[:4] = convert_bbox_to_z(bbox)#參數的更新self.time_since_update = 0self.id = KalmanBoxTracker.countKalmanBoxTracker.count += 1self.history=[]self.hits = 0self.hit_streak = 0self.age = 0"""update(bbox)：使用觀測到的目標框bbox更新狀態更新向量x(狀態變量x)1.time_since_update = 01.連續預測的次數，每執行predict一次即進行time_since_update+=1。2.在連續預測(連續執行predict)的過程中，一旦執行update的話，time_since_update就會被重置為0。2.在連續預測(連續執行predict)的過程中，只要連續預測的次數time_since_update大于0的話，就會把hit_streak(連續更新的次數)重置為0，表示連續預測的過程中沒有出現過一次更新狀態更新向量x(狀態變量x)的操作，即連續預測的過程中沒有執行過一次update。2.history = [] 清空history列表。history列表保存的是單個目標框連續預測的多個結果([x,y,s,r]轉換后的[x1,y1,x2,y2])，一旦執行update就會清空history列表。3.hits += 1：該目標框進行更新的總次數。每執行update一次，便hits+=1。4.hit_streak += 11.連續更新的次數，每執行update一次即進行hit_streak+=1。2.在連續更新(連續執行update)的過程中，一旦開始連續執行predict兩次或以上的情況下，當連續第一次執行predict時，因為time_since_update仍然為0，并不會把hit_streak重置為0，然后才會進行time_since_update+=1；當連續第二次執行predict時，因為time_since_update已經為1，那么便會把hit_streak重置為0，然后繼續進行time_since_update+=1。5.kf.update(convert_bbox_to_z(bbox))convert_bbox_to_z負責將[x1,y1,x2,y2]形式的檢測框轉為濾波器的狀態表示形式[x,y,s,r]，那么傳入的為kf.update([x,y,s,r])。然后根據觀測結果修改內部狀態x(狀態更新向量x)。使用的是通過yoloV3得到的“并且和預測框相匹配的”檢測框來更新卡爾曼濾波器得到的預測框。"""#使用觀測到的目標框更新狀態變量def update(self,bbox):"""使用觀察到的目標框更新狀態向量。filterpy.kalman.KalmanFilter.update 會根據觀測修改內部狀態估計self.kf.x。重置self.time_since_update，清空self.history。:param bbox:目標框:return:"""#重置部分參數self.time_since_update = 0#清空self.history = []#hitsself.hits += 1self.hit_streak += 1#根據觀測結果修改內部狀態xself.kf.update(convert_bbox_to_z(bbox))"""predict：進行目標框的預測并返回預測的邊界框結果1.if(kf.x[6] + kf.x[2]) <= 0:self.kf.x[6] *= 0.0狀態更新向量x(狀態變量x)為[u,v,s,r,u^,v^,s^]T，那么x[6]為s^，x[2]為s。如果x[6]+x[2]<= 0，那么x[6] *= 0.0，即把s^置為0.0。2.kf.predict()進行目標框的預測。3.age += 1該目標框進行預測的總次數。每執行predict一次，便age+=1。4.if time_since_update > 0:hit_streak = 0time_since_update += 11.連續預測的次數，每執行predict一次即進行time_since_update+=1。2.在連續預測(連續執行predict)的過程中，一旦執行update的話，time_since_update就會被重置為0。3.在連續預測(連續執行predict)的過程中，只要連續預測的次數time_since_update大于0的話，就會把hit_streak(連續更新的次數)重置為0，表示連續預測的過程中沒有出現過一次更新狀態更新向量x(狀態變量x)的操作，即連續預測的過程中沒有執行過一次update。4.在連續更新(連續執行update)的過程中，一旦開始連續執行predict兩次或以上的情況下，當連續第一次執行predict時，因為time_since_update仍然為0，并不會把hit_streak重置為0，然后才會進行time_since_update+=1；當連續第二次執行predict時，因為time_since_update已經為1，那么便會把hit_streak重置為0，然后繼續進行time_since_update+=1。5.history.append(convert_x_to_bbox(kf.x))convert_x_to_bbox(kf.x)：將目標框所預測的結果從中心面積的形式[x,y,s,r] 轉換為 坐標的形式[x1,y1,x2,y2] 的bbox。history列表保存的是單個目標框連續預測的多個結果([x,y,s,r]轉換后的[x1,y1,x2,y2])，一旦執行update就會清空history列表。6.predict 返回值：history[-1]把目標框當前該次的預測的結果([x,y,s,r]轉換后的[x1,y1,x2,y2])進行返回輸出。"""#進行目標框的預測：推進狀態變量并返回預測的邊界框結果def predict(self):"""推進狀態向量并返回預測的邊界框估計。將預測結果追加到self.history。由于 get_state 直接訪問 self.kf.x，所以self.history沒有用到:return:"""#狀態變量if(self.kf.x[6] + self.kf.x[2]) <= 0:self.kf.x[6] *= 0# 進行預測self.kf.predict()#卡爾曼濾波的預測次數self.age += 1#若過程中未進行更新，則將hit_streak置為0if self.time_since_update > 0:self.hit_streak=0self.time_since_update += 1#將預測結果追加到hietory中self.history.append(convert_x_to_bbox(self.kf.x))return self.history[-1]"""get_state()：獲取當前目標框預測的結果([x,y,s,r]轉換后的[x1,y1,x2,y2])。return convert_x_to_bbox(kf.x)：將候選框從中心面積的形式[x,y,s,r] 轉換為 坐標的形式[x1,y1,x2,y2] 的bbox并進行返回輸出。直接訪問 kf.x并進行返回，所以history沒有用到。"""#獲取到當前的邊界框的預測結果def get_state(self):"""返回當前邊界框估計值:return:"""return convert_x_to_bbox(self.kf.x)

總結

以上是生活随笔為你收集整理的智慧交通day02-车流量检测实现06：目标估计模型-卡尔曼滤波(汇总)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。