卡尔曼滤波追踪移动目标的python opencv代码

以下是一个简单的卡尔曼滤波器追踪移动目标的 Python OpenCV 代码示例。在此示例中，我们将使用卡尔曼滤波器来跟踪在视频中移动的目标。

import cv2
import numpy as np

# 初始化卡尔曼滤波器
kf = cv2.KalmanFilter(4, 2)
kf.measurementMatrix = np.array([[1, 0, 0, 0], [0, 1, 0, 0]], dtype=np.float32)
kf.transitionMatrix = np.array([[1, 0, 1, 0], [0, 1, 0, 1], [0, 0, 1, 0], [0, 0, 0, 1]], dtype=np.float32)
kf.processNoiseCov = np.array([[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0], [0, 0, 0, 1]], dtype=np.float32) * 0.03

# 打开视频
cap = cv2.VideoCapture('test.mp4')

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 在第一帧上选择 ROI
    if cv2.waitKey(1) & 0xFF == ord('s'):
        x, y, w, h = cv2.selectROI('frame', frame, False)
        kf.statePost = np.array([[x], [y], [0], [0]], dtype=np.float32)

    # 对当前帧进行预测
    kf.predict()

    # 从当前帧中获取测量值
    measurement = np.array([[np.float32(x + w / 2)], [np.float32(y + h / 2)]], dtype=np.float32)

    # 进行校正
    kf.correct(measurement)

    # 获取预测值并绘制边界框
    prediction = kf.predict()
    cv2.rectangle(frame, (int(prediction[0]), int(prediction[1])), (int(prediction[0] + w), int(prediction[1] + h)), (255, 0, 0), 2)

    cv2.imshow('frame', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

在此代码示例中，我们首先初始化了一个 4 维、2 个测量值的 KalmanFilter 对象。然后，我们设置了卡尔曼滤波器的状态转移矩阵、测量矩阵和过程噪声协方差矩阵。在每个视频帧中，我们首先调用 `predict()` 函数来预测目标的位置，然后从帧中获取测量值并调用 `correct()` 函数对预测值进行校正。最后，我们使用预测值绘制目标的边界框。

请注意，此示例仅用于演示卡尔曼滤波器的基本用法，并且可能需要进行一些调整才能适用于您的特定应用程序。