opencv - 使用卡尔曼滤波器更好地估计单应性？

Question

我正在创建一个 AR 应用程序来跟踪特征，计算单应性，然后从 3D-2D 点对应中获取对象的姿势，并使用它来渲染任何 3D 对象。

我正在选择一个特定区域来检测源图像上的特征(通过 mask )。然后将其与在后续帧上检测到的特征进行匹配。然后我过滤这些匹配项并估计未屏蔽区域的单应性。

问题出在单应性估计上。每次都不同(非常轻微，但仍然不同)。效果是:即使保持我的相机静止，我也会在我的跟踪区域周围得到一个振动的矩形，我使用估计的单应性绘制它。

我已经发布了标题为 Unstable homography estimation using ORB 的问题并且对我正在考虑的事实有了保证(如果该区域的位置与其最后的位置相似，则不会重新计算我的单应性)。

不过，我最近了解到卡尔曼滤波器，它通过将我们的先验知识与我们的测量观察相结合，可以更好地估计位置。

因此，在查看了各种示例(特别是一个 http://www.youtube.com/watch?v=GBYW1j9lC1I )之后，我为我的场景建模了一个卡尔曼滤波器(而不是 4 个，一个用于矩形区域的每个点):

m_KF1.init(4, 2, 1); 
setIdentity(m_KF2.transitionMatrix);
m_measurement1 = Mat::zeros(2,1,cv::DataType<float>::type);
m_KF1.statePre.setTo(0);
m_KF1.controlMatrix.setTo(0);

//initialzing filter 
m_KF1.statePre.at<float>(0) = m_scene_corners[1].x; //the first reading
m_KF1.statePre.at<float>(1) = m_scene_corners[1].y;
m_KF1.statePre.at<float>(2) = 0;
m_KF1.statePre.at<float>(3) = 0;

setIdentity(m_KF1.measurementMatrix);
setIdentity(m_KF1.processNoiseCov,Scalar::all(.1)) //updated at every step
setIdentity(m_KF1.measurementNoiseCov, Scalar::all(4)); //assuming measurement error of      
                                                        //not more than 2 pixels
setIdentity(m_KF1.errorCovPost, Scalar::all(.1)); 

4 个状态变量(x、y 中的位置和 x、y 中的速度)。

2 个测量变量(x,y 中的位置)

1个控制变量(加速度)

遵循每次迭代所采取的步骤

//---First,the predicion phase , to update the internal variables-------//

// 'dt' is the time taken between the measurements

//Updating the transitionMatrix
m_KF1.transitionMatrix.at<float>(0,2) = dt;
m_KF1.transitionMatrix.at<float>(1,3) = dt;

//Updating the Control matrix
m_KF1.controlMatrix.at<float>(0,1) = (dt*dt)/2;
m_KF1.controlMatrix.at<float>(1,1) = (dt*dt)/2;
m_KF1.controlMatrix.at<float>(2,1) = dt;
m_KF1.controlMatrix.at<float>(3,1) = dt;

//Updating the processNoiseCovmatrix
m_KF1.processNoiseCov.at<float>(0,0) = (dt*dt*dt*dt)/4;
m_KF1.processNoiseCov.at<float>(0,2) = (dt*dt*dt)/2;
m_KF1.processNoiseCov.at<float>(1,1) = (dt*dt*dt*dt)/4;
m_KF1.processNoiseCov.at<float>(1,3) = (dt*dt*dt)/2;

m_KF1.processNoiseCov.at<float>(2,0) = (dt*dt*dt)/2;
m_KF1.processNoiseCov.at<float>(2,2) = dt*dt;

m_KF1.processNoiseCov.at<float>(3,1) = (dt*dt*dt)/2;
m_KF1.processNoiseCov.at<float>(3,3) = dt*dt;

Mat prediction1 = m_KF1.predict();
Point2f predictPt1(prediction1.at<float>(0),prediction1.at<float>(1));

// Get the measured corner
m_measurement1.at<float>(0,0) = scene_corners[0].x;
m_measurement1.at<float>(0,1) = scene_corners[0].y;

//----Then, the correction phase which uses the predicted value and our measured value

Mat estimated = m_KF1.correct(m_measurement1);
Point2f statePt1(estimated.at<float>(0),estimated.at<float>(1));

这个模型几乎没有修正我的测量值

现在我的问题是:

1. 卡尔曼滤波器是否适合我的场景？它会给我带来更好的结果吗？
2. 如果是，那么缺少什么？我建模对吗？而不是为矩形的四个点创建 4 个过滤器，我是否应该以其他方式对其建模(例如，根据距离获取 10 个最强匹配并将它们用作过滤器的输入)
3. 如果卡尔曼滤波器不适用，我还能做些什么来为估计的单应性提供更高的稳定性？

任何帮助将不胜感激。谢谢。

Answer 1

这个问题的标题不好，在阅读你的解释后你真正问的是:“为什么我的 OpenCV 卡尔曼滤波器仍然会留下很多噪音？”

无论如何你的答案是:

1. 是的，卡尔曼适用于您的场景
2. 你用错了
3. 修改:KF.processNoiseCov，您可以从这里获取代码:Opencv kalman filter prediction without new observtion有很好的解释。

参见:

 setIdentity(KF.processNoiseCov, Scalar::all(.005)); //adjust this for faster convergence - but higher noise

就我所见，您对此有非常基本的了解，您可以采用一种简单的方法并使用四个 2D 卡尔曼滤波器，为此您可以使用此处的代码:。它会起作用，从那里成长和适应，直到你得到更好的理解。

在那之后，您可以根据您的问题对其进行建模，或者您可以继续使用四个过滤器，没有“完美”的实现，所以如果这对您有用，那就去做吧。