目标跟踪是机器视觉中一类被广为研究的重要问题，分为单目标跟踪与多目标跟踪。前者跟踪视频画面中的单个目标，后者则同时跟踪视频画面中的多个目标，得到这些目标的运动轨迹。
卡尔曼滤波（Kalman Filtering）是一种用于状态估计和信号处理的全局最优滤波器。它基于状态空间模型，通过将观测数据和模型进行融合，实现对未知变量和噪声的估计。在Matlab中，我们可以使用内置的kalman滤波函数来实现Kalman滤波算法。 本文将介绍如何在Matlab中使用Kalman滤波器对数据进行滤波和估计。
出处：http://hi.baidu.com/icekeydnet/blog/item/965b25154a19f3dea6ef3ffe.html
粒子滤波（particle filter）是一种常见的滤波算法，广泛应用于目标跟踪、移动机器人等领域。网络上有不少关于粒子滤波的资料，但大多是直接给出了粒子滤波的相关公式和证明，或较为直观上的解释。作者在学习粒子滤波的过程中对一些概念和操作时常感到突兀，后来发现想要完整了解粒子滤波，需要首先了解前因，逐渐深入才能理解粒子滤波，而不是直接学习粒子滤波这个方法。
计算机视觉研究的最终目标是使计算机能通过视觉观察和理解世界,具有自主适应环境的能力，在深度学习发展起来后，卷积神经网络被广泛应用到图像定位、目标检测、目标分割、目标跟踪、行为识别等应用方面。
计算机视觉领域中的目标跟踪是一项重要的研究任务，它涉及在视频序列中自动识别和跟踪多个感兴趣的目标。多目标跟踪（Multi-object Tracking）旨在从连续的图像帧中准确地定位和跟踪多个目标，同时保持目标的身份一致性。本文将介绍多目标跟踪的基本概念、常见的算法和应用领域。
通知：这篇推文有10篇论文速递信息，涉及人脸表情识别、人脸替换、3D人脸重建、Re-ID、目标检测和目标跟踪等方向 Note：最近一直有童鞋私聊问我，有没有相关的讨论群，于是今天我新建了CVer微信讨论群。愿意加入群聊的童鞋请下拉至文末，扫码进群，谢谢 往期回顾 [计算机视觉] 入门学习资料 [计算机视觉论文速递] 2018-03-16 [计算机视觉论文速递] 2018-03-14 人脸 [1]《Deep Structure Inference Network for Facial Action Un
虽然有许多用于目标跟踪的算法，包括较新的基于深度学习的算法，但对于这项任务，粒子滤波仍然是一个有趣的算法。所以在这篇文章中，我们将介绍视频中的目标跟踪：预测下一帧中物体的位置。在粒子滤波以及许多其他经典跟踪算法的情况下，我们根据估计的动态进行预测，然后使用一些测量值更新预测。
前两天在GitChat上总结了自己当初研究粒子滤波跟踪时的一些经验与总结：http://gitbook.cn/gitchat/activity/5abf7d5d3deaad78002799ee。 此处对部分章节略有删改，整理如下。
当前基于机器学习的多目标跟踪（MOT）框架在3-D点云跟踪场景中变得越来越流行。大多数传统的跟踪方法都使用滤波器（例如，卡尔曼滤波器或粒子滤波器）来按时间顺序预测对象位置，但是它们容易受到极端运动条件的影响，例如突然制动和转弯。在本文中提出了PointTrackNet目标跟踪方法，这是一个端到端的3-D对象检测和跟踪网络，可以为每个检测到的对象生成前景掩膜，3-D边界框和点跟踪关联位移。网络仅将两个相邻的点云帧作为输入。在KITTI跟踪数据集上的实验结果显示，与最新的跟踪网络相比本文的方法具有比较好的结果，尤其是在不规则和快速变化的情况下。
所有滤波问题其实都是求感兴趣的状态的后验概率分布，只是由于针对特定条件的不同，可通过求解递推贝叶斯公式获得后验概率的解析解（KF、EKF、UKF），也可通过大数统计平均求期望的方法来获得后验概率（PF）。
目标跟踪是计算机视觉领域的一个重要问题，目前广泛应用在体育赛事转播、安防监控和无人机、无人车、机器人等领域。
在本文中，我们研究了跟踪可能非常复杂背景的视频中运动物体轨迹的挑战性问题。与大多数仅在线学习跟踪对象外观的现有跟踪器相比，我们采用不同的方法，受深度学习架构的最新进展的启发，更加强调（无监督）特征学习问题。具体来说，通过使用辅助自然图像，我们离线训练堆叠去噪自动编码器，以学习对变化更加鲁棒的通用图像特征。然后是从离线培训到在线跟踪过程的知识转移。在线跟踪涉及分类神经网络，该分类神经网络由训练的自动编码器的编码器部分构成，作为特征提取器和附加分类层。可以进一步调整特征提取器和分类器以适应移动物体的外观变化。与一些具有挑战性的基准视频序列的最先进的跟踪器进行比较表明，当我们的跟踪器的MATLAB实现与适度的图形处理一起使用时，我们的深度学习跟踪器更准确，同时保持低计算成本和实时性能单位（GPU）。
机器之心专栏 国防科技大学徐凯教授团队 近日，国防科技大学徐凯教授团队提出了基于随机优化求解快速移动下的在线 RGB-D 重建方法 ROSEFusion，在无额外硬件辅助的条件下，仅依靠深度信息，实现了最高 4 m/s 线速度、6 rad/s 角速度相机移动下的高精度在线三维重建。 自 2011 年 KinectFusion 问世以来，基于 RGB-D 相机的实时在线三维重建一直是 3D 视觉和图形领域的研究热点。10 年间涌现出了大量优秀的方法和系统。如今，在线 RGB-D 重建已在增强现实、机器人等领
基本原理 关于机器人运动控制系统架构，在《ros by example》 chapter 7一章第二节中介绍了控制机器人的5个层次，从低到高依次是：motor controllers anddrivers-> ROS base controller ->Frame-Base Motion（move_base）->Frame-Base Motion（gmapping + amcl）->Semantic Goals。总结起来如下图所示：
粒子滤波是对预测粒子进行评价，添加不同的权重，越接近于真实状态的粒子，其权重越大；否则，就加的权重小一些。步骤：
同时定位与建图（SLAM）在视觉机器人导航等下游应用中仍然具有挑战性，原因包括但不限于快速转弯、无特征墙壁、图像质量差等。本文作者提出了一种粒子滤波的SLAM网络（Particle SLAM-net）和一种导航框架，可以使平面机器人能够在以前没见过的室内环境中进行导航。SLAM网络将基于粒子滤波的SLAM算法编码到可微计算图中，通过粒子滤波算法进行反向传播学习面向任务的神经网络组件。由于它能够为最终目标联合优化所有模型组件，SLAM-net能够在具有挑战性的条件下保持鲁棒性。作者在Habitat平台上用不同的真实RGB和RGB-D数据集进行了实验。SLAM-net在噪声环境下的性能明显优于广泛采用的ORB-SLAM。本文采用SLAM网络的导航架构大大提高了Habitat Challenge 2020 PointNav任务的最新水平（成功率从37%到64%）。
AMCL(adaptive Monte Carlo Localization)自适应蒙特卡洛定位，A也可以理解为augmented，是机器人在二维移动过程中概率定位系统，采用粒子滤波器来跟踪已经知道的地图中机器人位姿，对于大范围的局部定位问题工作良好。对机器人的定位是非常重要的，因为若无法正确定位机器人当前位置，那么基于错误的起始点来进行后面规划的到达目的地的路径必定也是错误的。
【磐创AI导读】：本篇文章主要介绍了自动驾驶是如何工作的以及SLAM简介，希望对大家有所帮助。查看上篇关于本专栏的介绍：PyTorch专栏开篇。想要获取更多的机器学习、深度学习资源，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。
本文以日本无人驾驶开源软件Autoware为参考，汇总分析了无人驾驶所涉及的基本算法，最后给出了在一些典型数据集上测试的效果。
机器人发布nav_msgs/Odometry格式的里程计信息，相应的TF变换给导航功能包，然后导航功能包输出geometry_msgs/Twist格式的控制指令，最终通过这些指令控制机器人完成相应的运动。
一直都觉得粒子滤波是个挺牛的东西，每次试图看文献都被复杂的数学符号搞得看不下去。一个偶然的机会发现了Rob Hess(http://web.engr.oregonstate.edu/~hess/)实现的这个粒子滤波。从代码入手，一下子就明白了粒子滤波的原理。根据维基百科上对粒子滤波的介绍(http://en.wikipedia.org/wiki/Particle_filter)，粒子滤波其实有很多变种，Rob Hess实现的这种应该是最基本的一种，Sampling Importance Resampling (SIR)，根据重要性重采样。下面是我对粒子滤波实现物体跟踪的算法原理的粗浅理解：
粒子滤波也是一个十分经典的算法，它与卡尔曼滤波的不同之处在于卡尔曼滤波假设概率分布是高斯分布，然后在计算后验概率（pdf）时，利用正态分布的性质，可以计算出来；而粒子滤波的后验概率分布是通过蒙特卡洛方法采样得到的。蒙特卡洛方法很清楚的一点是采样的粒子越多，概率分布越准确，但是计算速度会下降。也就是说如何分布你的有限个数的采样粒子来得到更为准确的后验概率分布是粒子滤波一直在做的事情。在本文中粒子滤波的改善一个是局部采样，另一个是采样时更好的概率分布来得到更精确的后验概率。在闭环检测这里则是应用了深度学习的方法。具体实现可以随笔者一起看下面的文章。
基于运动的多目标跟踪（MOT）方法利用运动预测器提取时空模式，并估计未来帧中的物体运动，以便后续的物体关联。原始的卡尔曼滤波器广泛用作运动预测器，它假设预测和滤波阶段分别具有常速和高斯分布的噪声，分别对应于。常速假设物体速度和方向在短期内保持一致，高斯分布假设估计和检测中的误差方差保持恒定。虽然这些假设通过简化数学建模使卡尔曼滤波器具有高效性，但它们仅适用于特定场景，即物体位移保持线性或始终较小。由于忽略了具有非线性运动和遮挡的场景，卡尔曼滤波器在复杂情况下错误地估算物体位置。
摘要：在这篇文章中，我们将回顾一些基础的跟踪方法。首先，我们将介绍几种视觉跟踪方法。然后，我们将解释如何对它们进行分类。我们还将讨论直接视觉跟踪的基本内容，特别关注基于区域的方法和基于梯度的方法。
打车有时也会职业病发作，琢磨一下车辆调度是怎么做的，路径规划算法要怎么写，GPS偏移该怎么纠正等等。不过就是想想而已，并没有深究。这篇是Lyft（美帝第二大打车平台）工程师分享的最近上线的地图匹配算法，非常有参考价值。
PythonRobotics 是用 Python 实现的机器人算法案例集合，该库包括了机器人设计中常用的定位算法、测绘算法、路径规划算法、SLAM、路径跟踪算法。 Github 地址： https://github.com/AtsushiSakai/PythonRobotics 需求 Python 3.6.x numpy scipy matplotlib pandas cvxpy 如何使用 安装所需的库 Clone 该库 在每个目录中执行 python 脚本 如果你喜欢这个库，请 star ：）
AI科技评论按：本文源自YaqiLYU在知乎问题【计算机视觉中，目前有哪些经典的目标跟踪算法？】下的回答，AI科技评论已获得授权发布。 相信很多来到这里的人和我第一次到这里一样，都是想找一种比较好的目标跟踪算法，或者想对目标跟踪这个领域有比较深入的了解，虽然这个问题是经典目标跟踪算法，但事实上，可能我们并不需要那些曾经辉煌但已被拍在沙滩上的tracker(目标跟踪算法)，而是那些即将成为经典的，或者就目前来说最好用、速度和性能都看的过去的tracker。我比较关注目标跟踪中的相关滤波方向，接下来我将介绍我所
相信很多来这里的人和我第一次到这里一样，都是想找一种比较好的目标跟踪算法，或者想对目标跟踪这个领域有比较深入的了解，虽然这个问题是经典目标跟踪算法，但事实上，可能我们并不需要那些曾经辉煌但已被拍在沙滩上的tracker(目标跟踪算法)，而是那些即将成为经典的，或者就目前来说最好用、速度和性能都看的过去tracker。我比较关注目标跟踪中的相关滤波方向，接下来我帮您介绍下我所认识的目标跟踪，尤其是相关滤波类方法，分享一些我认为比较好的算法，顺便谈谈我的看法。 第一部分：目标跟踪速览 先跟几个SOTA的tr
注：最近学习ROS的激光导航知识，需要理清ROS的SLAM、环境感知(costmap)、与导航算法。为防止自己忘记，将觉得有价值的内容收集于此。对AGV来说，SLAM是个大大坑，环境感知和局部运动控制也是大坑，学习的过程就是学会怎么从坑里爬出来的过程
2、Gmapping基于RBpf粒子滤波算法，即将定位和建图过程分离，先进行定位再进行建图。
粒子滤波是一种基于蒙特卡洛模拟的非线性滤波方法，其核心思想是用随机采样的粒子表达概率密度分布。
第一部分：目标跟踪速览 先跟几个SOTA的tracker混个脸熟，大概了解一下目标跟踪这个方向都有些什么。一切要从2013年的那个数据库说起。。如果你问别人近几年有什么比较niubility的跟踪算法，大部分人都会扔给你吴毅老师的论文，OTB50和OTB100(OTB50这里指OTB-2013，OTB100这里指OTB-2015，50和100分别代表视频数量，方便记忆)： Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVP
有的读者可能对于计算机视觉中2D和3D视觉的区别仍然较为模糊，此处根据某篇论文中的解释，介绍如下：
项目Github地址：https://github.com/hehern/lidar_perception
算法系统由几部分组成：第一，传感，并从传感器原始数据中提取有意义信息；第二，感知，以定位无人车所在位置及感知现在所处的环境；第三，决策，以便可靠、安全地抵达目的地。
AI 科技评论按，本文作者 Qiang Wang，原载于知乎，AI 科技评论获得授权转载。
自动驾驶四大核心技术，分别是环境感知、精确定位、路径规划、线控执行。环境感知是其中被研究最多的部分，不过基于视觉的环境感知是无法满足无人驾驶要求的。
自动驾驶是人工智能当前最热门的方向之一，也是未来将对人类生活会产生重大影响的方向。机器学习在自动驾驶中有举足轻重的地位，从环境感知到策略控制，都有它的身影。在本文中，SIGAI将以百度阿波罗平台为例，介绍机器学习在自动驾驶系统中的应用，揭开自动驾驶算法的神秘面纱。
最近因为有些重要工作需要处理，系列文章因此搁置，月底时间稍微充裕，我们继续上一次的主题，聊一聊3D几何语义中的边界属性，感兴趣的同学可以回顾一下上一篇分享。
移动机器人定位是确定其在未知环境中所处位置的过程，是实现移动机器人自动导航能力的关键。依据机器人所采用传感器类型的不同，其定位方式有所不同。目前应用较广泛的传感器有里程计、超声波、激光器、摄像机、红外
自动驾驶对定位的精度的要求在厘米级的，如何实现厘米级的高精度定位呢？一种众所周知的定位方法是利用全球定位系统(GPS)，利用多颗卫星的测量结果，通过三角测量(Triangulation)机制确定目标的位置，GPS定位的原理见自动驾驶硬件系统(十一)-Global Navigation Satellite Systems (GNSS)，但是GPS并不总是提供高精度定位数据，在GPS信号强的情况下，定位精度在1~3m范围内，在GPS信号弱的情况下，定位精度下降到10~50m范围内。虽然依赖于RTK，可以将卫星定位的精度提高到厘米级，但是在GPS信号弱的场景下，定位精度仍然不能满足应用需求。所以仅仅使用GPS不能实现高可靠的高精度定位的。
大家好，又见面了，我是你们的朋友全栈君。 基于环境自然导航的激光导航叉车AGV中，机器人在运动过程中通过编码器结合IMU计算得到里程计信息，运用机器人的运动模型得到机器人的位姿初估计，然后通过机器人装载的激光传感器获取的激光数据结合观测模型（激光的扫描匹配）对机器人位姿进行精确修正，得到机器人的精确定位，最后在精确定位的基础上，将激光数据添加到栅格地图中，反复如此，机器人在环境中运动，最终完成整个场景地图的构建。
相信很多来这里的人和我第一次到这里一样，都是想找一种比较好的目标跟踪算法，或者想对目标跟踪这个领域有比较深入的了解，虽然这个问题是经典目标跟踪算法，但事实上，可能我们并不需要那些曾经辉煌但已被拍在沙滩上的tracker(目标跟踪算法)，而是那些即将成为经典的，或者就目前来说最好用、速度和性能都看的过去tracker。我们比较关注目标跟踪中的相关滤波方向，接下来我帮您介绍下我们所认识的目标跟踪，尤其是相关滤波类方法，分享一些我们认为比较好的算法，顺便谈谈我的看法。
【新智元导读】这篇文章将非常详细地介绍计算机视觉领域中的目标跟踪，尤其是相关滤波类方法，分享一些作者认为比较好的算法。 相信很多来这里的人和我第一次到这里一样，都是想找一种比较好的目标跟踪算法，或者想对目标跟踪这个领域有比较深入的了解，虽然这个问题是经典目标跟踪算法，但事实上，可能我们并不需要那些曾经辉煌但已被拍在沙滩上的tracker(目标跟踪算法)，而是那些即将成为经典的，或者就目前来说最好用、速度和性能都看的过去tracker。我比较关注目标跟踪中的相关滤波方向，接下来我帮您介绍下我所认识的目标跟踪，
相信看了前面的几篇文章后很多朋友已经等不及快速入行了，今天就来介绍一下计算机视觉的各大研究方向及其特点。
该算法利用扩展卡尔曼滤波器（Extended Kalman Filter, EKF）实现传感器混合本地化。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
