सामग्री पर जाएं

के लिए संदर्भ ultralytics/trackers/utils/kalman_filter.py

नोट

यह फ़ाइल यहाँ उपलब्ध है https://github.com/ultralytics/ultralytics/बूँद/मुख्य/ultralytics/trackers/utils/kalman_filter.py का उपयोग करें। यदि आप कोई समस्या देखते हैं तो कृपया पुल अनुरोध का योगदान करके इसे ठीक करने में मदद करें 🛠️। 🙏 धन्यवाद !



ultralytics.trackers.utils.kalman_filter.KalmanFilterXYAH

बाइटट्रैक के लिए। छवि स्थान में बाउंडिंग बॉक्स को ट्रैक करने के लिए एक सरल कलमैन फ़िल्टर।

8-आयामी राज्य स्थान (x, y, a, h, vx, vy, va, vh) में बाउंडिंग बॉक्स केंद्र स्थिति (x, y), पहलू शामिल है अनुपात ए, ऊंचाई एच, और उनके संबंधित वेग।

वस्तु गति एक निरंतर वेग मॉडल का अनुसरण करती है। बाउंडिंग बॉक्स स्थान (x, y, a, h) को प्रत्यक्ष के रूप में लिया जाता है राज्य अंतरिक्ष का अवलोकन (रैखिक अवलोकन मॉडल)।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
class KalmanFilterXYAH:
    """
    For bytetrack. A simple Kalman filter for tracking bounding boxes in image space.

    The 8-dimensional state space (x, y, a, h, vx, vy, va, vh) contains the bounding box center position (x, y), aspect
    ratio a, height h, and their respective velocities.

    Object motion follows a constant velocity model. The bounding box location (x, y, a, h) is taken as direct
    observation of the state space (linear observation model).
    """

    def __init__(self):
        """Initialize Kalman filter model matrices with motion and observation uncertainty weights."""
        ndim, dt = 4, 1.0

        # Create Kalman filter model matrices
        self._motion_mat = np.eye(2 * ndim, 2 * ndim)
        for i in range(ndim):
            self._motion_mat[i, ndim + i] = dt
        self._update_mat = np.eye(ndim, 2 * ndim)

        # Motion and observation uncertainty are chosen relative to the current state estimate. These weights control
        # the amount of uncertainty in the model.
        self._std_weight_position = 1.0 / 20
        self._std_weight_velocity = 1.0 / 160

    def initiate(self, measurement: np.ndarray) -> tuple:
        """
        Create track from unassociated measurement.

        Args:
            measurement (ndarray): Bounding box coordinates (x, y, a, h) with center position (x, y), aspect ratio a,
                and height h.

        Returns:
            (tuple[ndarray, ndarray]): Returns the mean vector (8 dimensional) and covariance matrix (8x8 dimensional) of
                the new track. Unobserved velocities are initialized to 0 mean.
        """
        mean_pos = measurement
        mean_vel = np.zeros_like(mean_pos)
        mean = np.r_[mean_pos, mean_vel]

        std = [
            2 * self._std_weight_position * measurement[3],
            2 * self._std_weight_position * measurement[3],
            1e-2,
            2 * self._std_weight_position * measurement[3],
            10 * self._std_weight_velocity * measurement[3],
            10 * self._std_weight_velocity * measurement[3],
            1e-5,
            10 * self._std_weight_velocity * measurement[3],
        ]
        covariance = np.diag(np.square(std))
        return mean, covariance

    def predict(self, mean: np.ndarray, covariance: np.ndarray) -> tuple:
        """
        Run Kalman filter prediction step.

        Args:
            mean (ndarray): The 8 dimensional mean vector of the object state at the previous time step.
            covariance (ndarray): The 8x8 dimensional covariance matrix of the object state at the previous time step.

        Returns:
            (tuple[ndarray, ndarray]): Returns the mean vector and covariance matrix of the predicted state. Unobserved
                velocities are initialized to 0 mean.
        """
        std_pos = [
            self._std_weight_position * mean[3],
            self._std_weight_position * mean[3],
            1e-2,
            self._std_weight_position * mean[3],
        ]
        std_vel = [
            self._std_weight_velocity * mean[3],
            self._std_weight_velocity * mean[3],
            1e-5,
            self._std_weight_velocity * mean[3],
        ]
        motion_cov = np.diag(np.square(np.r_[std_pos, std_vel]))

        mean = np.dot(mean, self._motion_mat.T)
        covariance = np.linalg.multi_dot((self._motion_mat, covariance, self._motion_mat.T)) + motion_cov

        return mean, covariance

    def project(self, mean: np.ndarray, covariance: np.ndarray) -> tuple:
        """
        Project state distribution to measurement space.

        Args:
            mean (ndarray): The state's mean vector (8 dimensional array).
            covariance (ndarray): The state's covariance matrix (8x8 dimensional).

        Returns:
            (tuple[ndarray, ndarray]): Returns the projected mean and covariance matrix of the given state estimate.
        """
        std = [
            self._std_weight_position * mean[3],
            self._std_weight_position * mean[3],
            1e-1,
            self._std_weight_position * mean[3],
        ]
        innovation_cov = np.diag(np.square(std))

        mean = np.dot(self._update_mat, mean)
        covariance = np.linalg.multi_dot((self._update_mat, covariance, self._update_mat.T))
        return mean, covariance + innovation_cov

    def multi_predict(self, mean: np.ndarray, covariance: np.ndarray) -> tuple:
        """
        Run Kalman filter prediction step (Vectorized version).

        Args:
            mean (ndarray): The Nx8 dimensional mean matrix of the object states at the previous time step.
            covariance (ndarray): The Nx8x8 covariance matrix of the object states at the previous time step.

        Returns:
            (tuple[ndarray, ndarray]): Returns the mean vector and covariance matrix of the predicted state. Unobserved
                velocities are initialized to 0 mean.
        """
        std_pos = [
            self._std_weight_position * mean[:, 3],
            self._std_weight_position * mean[:, 3],
            1e-2 * np.ones_like(mean[:, 3]),
            self._std_weight_position * mean[:, 3],
        ]
        std_vel = [
            self._std_weight_velocity * mean[:, 3],
            self._std_weight_velocity * mean[:, 3],
            1e-5 * np.ones_like(mean[:, 3]),
            self._std_weight_velocity * mean[:, 3],
        ]
        sqr = np.square(np.r_[std_pos, std_vel]).T

        motion_cov = [np.diag(sqr[i]) for i in range(len(mean))]
        motion_cov = np.asarray(motion_cov)

        mean = np.dot(mean, self._motion_mat.T)
        left = np.dot(self._motion_mat, covariance).transpose((1, 0, 2))
        covariance = np.dot(left, self._motion_mat.T) + motion_cov

        return mean, covariance

    def update(self, mean: np.ndarray, covariance: np.ndarray, measurement: np.ndarray) -> tuple:
        """
        Run Kalman filter correction step.

        Args:
            mean (ndarray): The predicted state's mean vector (8 dimensional).
            covariance (ndarray): The state's covariance matrix (8x8 dimensional).
            measurement (ndarray): The 4 dimensional measurement vector (x, y, a, h), where (x, y) is the center
                position, a the aspect ratio, and h the height of the bounding box.

        Returns:
            (tuple[ndarray, ndarray]): Returns the measurement-corrected state distribution.
        """
        projected_mean, projected_cov = self.project(mean, covariance)

        chol_factor, lower = scipy.linalg.cho_factor(projected_cov, lower=True, check_finite=False)
        kalman_gain = scipy.linalg.cho_solve(
            (chol_factor, lower), np.dot(covariance, self._update_mat.T).T, check_finite=False
        ).T
        innovation = measurement - projected_mean

        new_mean = mean + np.dot(innovation, kalman_gain.T)
        new_covariance = covariance - np.linalg.multi_dot((kalman_gain, projected_cov, kalman_gain.T))
        return new_mean, new_covariance

    def gating_distance(
        self,
        mean: np.ndarray,
        covariance: np.ndarray,
        measurements: np.ndarray,
        only_position: bool = False,
        metric: str = "maha",
    ) -> np.ndarray:
        """
        Compute gating distance between state distribution and measurements. A suitable distance threshold can be
        obtained from `chi2inv95`. If `only_position` is False, the chi-square distribution has 4 degrees of freedom,
        otherwise 2.

        Args:
            mean (ndarray): Mean vector over the state distribution (8 dimensional).
            covariance (ndarray): Covariance of the state distribution (8x8 dimensional).
            measurements (ndarray): An Nx4 matrix of N measurements, each in format (x, y, a, h) where (x, y)
                is the bounding box center position, a the aspect ratio, and h the height.
            only_position (bool, optional): If True, distance computation is done with respect to the bounding box
                center position only. Defaults to False.
            metric (str, optional): The metric to use for calculating the distance. Options are 'gaussian' for the
                squared Euclidean distance and 'maha' for the squared Mahalanobis distance. Defaults to 'maha'.

        Returns:
            (np.ndarray): Returns an array of length N, where the i-th element contains the squared distance between
                (mean, covariance) and `measurements[i]`.
        """
        mean, covariance = self.project(mean, covariance)
        if only_position:
            mean, covariance = mean[:2], covariance[:2, :2]
            measurements = measurements[:, :2]

        d = measurements - mean
        if metric == "gaussian":
            return np.sum(d * d, axis=1)
        elif metric == "maha":
            cholesky_factor = np.linalg.cholesky(covariance)
            z = scipy.linalg.solve_triangular(cholesky_factor, d.T, lower=True, check_finite=False, overwrite_b=True)
            return np.sum(z * z, axis=0)  # square maha
        else:
            raise ValueError("Invalid distance metric")

__init__()

गति और अवलोकन अनिश्चितता भार के साथ Kalman फिल्टर मॉडल matrices प्रारंभ करें।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
def __init__(self):
    """Initialize Kalman filter model matrices with motion and observation uncertainty weights."""
    ndim, dt = 4, 1.0

    # Create Kalman filter model matrices
    self._motion_mat = np.eye(2 * ndim, 2 * ndim)
    for i in range(ndim):
        self._motion_mat[i, ndim + i] = dt
    self._update_mat = np.eye(ndim, 2 * ndim)

    # Motion and observation uncertainty are chosen relative to the current state estimate. These weights control
    # the amount of uncertainty in the model.
    self._std_weight_position = 1.0 / 20
    self._std_weight_velocity = 1.0 / 160

gating_distance(mean, covariance, measurements, only_position=False, metric='maha')

राज्य वितरण और माप के बीच गेटिंग दूरी की गणना करें। एक उपयुक्त दूरी सीमा हो सकती है से प्राप्त किया chi2inv95. अगर only_position गलत है, ची-स्क्वायर वितरण में स्वतंत्रता की 4 डिग्री है, अन्यथा 2.

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

राज्य वितरण (8 आयामी) पर औसत वेक्टर।

आवश्यक
covariance ndarray

राज्य वितरण का सहप्रसरण (8x8 आयामी)।

आवश्यक
measurements ndarray

N माप का एक Nx4 मैट्रिक्स, प्रत्येक प्रारूप में (x, y, a, h) जहां (x, y) बाउंडिंग बॉक्स सेंटर स्थिति, एक पहलू अनुपात, और एच ऊंचाई है।

आवश्यक
only_position bool

यदि सत्य है, तो दूरी की गणना बाउंडिंग बॉक्स के संबंध में की जाती है केवल केंद्र की स्थिति। डिफ़ॉल्ट रूप से गलत है.

False
metric str

दूरी की गणना के लिए उपयोग करने के लिए मैट्रिक। विकल्प के लिए 'गॉसियन' हैं वर्ग महालनोबिस दूरी के लिए यूक्लिडियन दूरी और 'महा' को चौकोर किया। 'महा' के लिए डिफ़ॉल्ट।

'maha'

देता:

प्रकार विवरण: __________
ndarray

लंबाई N की एक सरणी देता है, जहाँ i-वें तत्व में के बीच की वर्ग दूरी होती है (मतलब, सहप्रसरण) और measurements[i].

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205  206 207208209 210 211 212 213 214 215 216
def gating_distance(
    self,
    mean: np.ndarray,
    covariance: np.ndarray,
    measurements: np.ndarray,
    only_position: bool = False,
    metric: str = "maha",
) -> np.ndarray:
    """
    Compute gating distance between state distribution and measurements. A suitable distance threshold can be
    obtained from `chi2inv95`. If `only_position` is False, the chi-square distribution has 4 degrees of freedom,
    otherwise 2.

    Args:
        mean (ndarray): Mean vector over the state distribution (8 dimensional).
        covariance (ndarray): Covariance of the state distribution (8x8 dimensional).
        measurements (ndarray): An Nx4 matrix of N measurements, each in format (x, y, a, h) where (x, y)
            is the bounding box center position, a the aspect ratio, and h the height.
        only_position (bool, optional): If True, distance computation is done with respect to the bounding box
            center position only. Defaults to False.
        metric (str, optional): The metric to use for calculating the distance. Options are 'gaussian' for the
            squared Euclidean distance and 'maha' for the squared Mahalanobis distance. Defaults to 'maha'.

    Returns:
        (np.ndarray): Returns an array of length N, where the i-th element contains the squared distance between
            (mean, covariance) and `measurements[i]`.
    """
    mean, covariance = self.project(mean, covariance)
    if only_position:
        mean, covariance = mean[:2], covariance[:2, :2]
        measurements = measurements[:, :2]

    d = measurements - mean
    if metric == "gaussian":
        return np.sum(d * d, axis=1)
    elif metric == "maha":
        cholesky_factor = np.linalg.cholesky(covariance)
        z = scipy.linalg.solve_triangular(cholesky_factor, d.T, lower=True, check_finite=False, overwrite_b=True)
        return np.sum(z * z, axis=0)  # square maha
    else:
        raise ValueError("Invalid distance metric")

initiate(measurement)

असंबद्ध माप से ट्रैक बनाएं।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
measurement ndarray

बाउंडिंग बॉक्स निर्देशांक (x, y, a, h) केंद्र स्थिति (x, y) के साथ, पहलू अनुपात a, और ऊंचाई एच।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

का माध्य सदिश (8 आयामी) और सहप्रसरण मैट्रिक्स (8x8 आयामी) देता है नया ट्रैक। अनपेक्षित वेगों को 0 माध्य से प्रारंभ किया जाता है।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
33 34 35 36 37 38 39 40 4142 43 44 45 46 47 48 49 50 51 525354 555657585960
def initiate(self, measurement: np.ndarray) -> tuple:
    """
    Create track from unassociated measurement.

    Args:
        measurement (ndarray): Bounding box coordinates (x, y, a, h) with center position (x, y), aspect ratio a,
            and height h.

    Returns:
        (tuple[ndarray, ndarray]): Returns the mean vector (8 dimensional) and covariance matrix (8x8 dimensional) of
            the new track. Unobserved velocities are initialized to 0 mean.
    """
    mean_pos = measurement
    mean_vel = np.zeros_like(mean_pos)
    mean = np.r_[mean_pos, mean_vel]

    std = [
        2 * self._std_weight_position * measurement[3],
        2 * self._std_weight_position * measurement[3],
        1e-2,
        2 * self._std_weight_position * measurement[3],
        10 * self._std_weight_velocity * measurement[3],
        10 * self._std_weight_velocity * measurement[3],
        1e-5,
        10 * self._std_weight_velocity * measurement[3],
    ]
    covariance = np.diag(np.square(std))
    return mean, covariance

multi_predict(mean, covariance)

कलमैन फ़िल्टर भविष्यवाणी चरण (वेक्टरीकृत संस्करण) चलाएं।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

ऑब्जेक्ट का Nx8 आयामी माध्य मैट्रिक्स पिछले समय चरण में बताता है।

आवश्यक
covariance ndarray

ऑब्जेक्ट का Nx8x8 सहप्रसरण मैट्रिक्स पिछले समय चरण में बताता है।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

पूर्वानुमानित अवस्था का माध्य सदिश और सहप्रसरण मैट्रिक्स देता है. अनपेक्षित वेगों को 0 माध्य से प्रारंभ किया जाता है।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140141 142 143 144 145 146 147148149
def multi_predict(self, mean: np.ndarray, covariance: np.ndarray) -> tuple:
    """
    Run Kalman filter prediction step (Vectorized version).

    Args:
        mean (ndarray): The Nx8 dimensional mean matrix of the object states at the previous time step.
        covariance (ndarray): The Nx8x8 covariance matrix of the object states at the previous time step.

    Returns:
        (tuple[ndarray, ndarray]): Returns the mean vector and covariance matrix of the predicted state. Unobserved
            velocities are initialized to 0 mean.
    """
    std_pos = [
        self._std_weight_position * mean[:, 3],
        self._std_weight_position * mean[:, 3],
        1e-2 * np.ones_like(mean[:, 3]),
        self._std_weight_position * mean[:, 3],
    ]
    std_vel = [
        self._std_weight_velocity * mean[:, 3],
        self._std_weight_velocity * mean[:, 3],
        1e-5 * np.ones_like(mean[:, 3]),
        self._std_weight_velocity * mean[:, 3],
    ]
    sqr = np.square(np.r_[std_pos, std_vel]).T

    motion_cov = [np.diag(sqr[i]) for i in range(len(mean))]
    motion_cov = np.asarray(motion_cov)

    mean = np.dot(mean, self._motion_mat.T)
    left = np.dot(self._motion_mat, covariance).transpose((1, 0, 2))
    covariance = np.dot(left, self._motion_mat.T) + motion_cov

    return mean, covariance

predict(mean, covariance)

कलमैन फ़िल्टर भविष्यवाणी चरण चलाएं।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

पिछले समय चरण में वस्तु स्थिति का 8 आयामी माध्य वेक्टर।

आवश्यक
covariance ndarray

पिछले समय चरण में वस्तु स्थिति का 8x8 आयामी सहप्रसरण मैट्रिक्स।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

पूर्वानुमानित अवस्था का माध्य सदिश और सहप्रसरण मैट्रिक्स देता है. अनपेक्षित वेगों को 0 माध्य से प्रारंभ किया जाता है।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
62 63 64 6566 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 8283 848586 8788899091
def predict(self, mean: np.ndarray, covariance: np.ndarray) -> tuple:
    """
    Run Kalman filter prediction step.

    Args:
        mean (ndarray): The 8 dimensional mean vector of the object state at the previous time step.
        covariance (ndarray): The 8x8 dimensional covariance matrix of the object state at the previous time step.

    Returns:
        (tuple[ndarray, ndarray]): Returns the mean vector and covariance matrix of the predicted state. Unobserved
            velocities are initialized to 0 mean.
    """
    std_pos = [
        self._std_weight_position * mean[3],
        self._std_weight_position * mean[3],
        1e-2,
        self._std_weight_position * mean[3],
    ]
    std_vel = [
        self._std_weight_velocity * mean[3],
        self._std_weight_velocity * mean[3],
        1e-5,
        self._std_weight_velocity * mean[3],
    ]
    motion_cov = np.diag(np.square(np.r_[std_pos, std_vel]))

    mean = np.dot(mean, self._motion_mat.T)
    covariance = np.linalg.multi_dot((self._motion_mat, covariance, self._motion_mat.T)) + motion_cov

    return mean, covariance

project(mean, covariance)

मापन स्थान के लिए परियोजना राज्य वितरण।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

राज्य का माध्य वेक्टर (8 आयामी सरणी)।

आवश्यक
covariance ndarray

राज्य का सहप्रसरण मैट्रिक्स (8x8 आयामी)।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

दिए गए राज्य अनुमान का अनुमानित माध्य और सहप्रसरण मैट्रिक्स देता है।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
93 94 95 96  97 98 99 100 101 102  103 104  105 106 107  108 109 110 111 112  113114 
def project(self, mean: np.ndarray, covariance: np.ndarray) -> tuple:
    """
    Project state distribution to measurement space.

    Args:
        mean (ndarray): The state's mean vector (8 dimensional array).
        covariance (ndarray): The state's covariance matrix (8x8 dimensional).

    Returns:
        (tuple[ndarray, ndarray]): Returns the projected mean and covariance matrix of the given state estimate.
    """
    std = [
        self._std_weight_position * mean[3],
        self._std_weight_position * mean[3],
        1e-1,
        self._std_weight_position * mean[3],
    ]
    innovation_cov = np.diag(np.square(std))

    mean = np.dot(self._update_mat, mean)
    covariance = np.linalg.multi_dot((self._update_mat, covariance, self._update_mat.T))
    return mean, covariance + innovation_cov

update(mean, covariance, measurement)

कलमैन फ़िल्टर सुधार चरण चलाएँ।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

अनुमानित राज्य का माध्य वेक्टर (8 आयामी)।

आवश्यक
covariance ndarray

राज्य का सहप्रसरण मैट्रिक्स (8x8 आयामी)।

आवश्यक
measurement ndarray

4 आयामी माप वेक्टर (एक्स, वाई, ए, एच), जहां (एक्स, वाई) केंद्र है position, a पक्षानुपात, और h बाउंडिंग बॉक्स की ऊंचाई।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

माप-सही अवस्था वितरण देता है.

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168169 170171 172 173 174
def update(self, mean: np.ndarray, covariance: np.ndarray, measurement: np.ndarray) -> tuple:
    """
    Run Kalman filter correction step.

    Args:
        mean (ndarray): The predicted state's mean vector (8 dimensional).
        covariance (ndarray): The state's covariance matrix (8x8 dimensional).
        measurement (ndarray): The 4 dimensional measurement vector (x, y, a, h), where (x, y) is the center
            position, a the aspect ratio, and h the height of the bounding box.

    Returns:
        (tuple[ndarray, ndarray]): Returns the measurement-corrected state distribution.
    """
    projected_mean, projected_cov = self.project(mean, covariance)

    chol_factor, lower = scipy.linalg.cho_factor(projected_cov, lower=True, check_finite=False)
    kalman_gain = scipy.linalg.cho_solve(
        (chol_factor, lower), np.dot(covariance, self._update_mat.T).T, check_finite=False
    ).T
    innovation = measurement - projected_mean

    new_mean = mean + np.dot(innovation, kalman_gain.T)
    new_covariance = covariance - np.linalg.multi_dot((kalman_gain, projected_cov, kalman_gain.T))
    return new_mean, new_covariance



ultralytics.trackers.utils.kalman_filter.KalmanFilterXYWH

का रूप: KalmanFilterXYAH

बीओटी-सॉर्ट के लिए। छवि स्थान में बाउंडिंग बॉक्स को ट्रैक करने के लिए एक सरल कलमैन फ़िल्टर।

8-आयामी राज्य स्थान (x, y, w, h, vx, vy, vw, vh) में बाउंडिंग बॉक्स केंद्र स्थिति (x, y), चौड़ाई शामिल है डब्ल्यू, ऊंचाई एच, और उनके संबंधित वेग।

वस्तु गति एक निरंतर वेग मॉडल का अनुसरण करती है। बाउंडिंग बॉक्स स्थान (x, y, w, h) को प्रत्यक्ष के रूप में लिया जाता है राज्य अंतरिक्ष का अवलोकन (रैखिक अवलोकन मॉडल)।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
class KalmanFilterXYWH(KalmanFilterXYAH):
    """
    For BoT-SORT. A simple Kalman filter for tracking bounding boxes in image space.

    The 8-dimensional state space (x, y, w, h, vx, vy, vw, vh) contains the bounding box center position (x, y), width
    w, height h, and their respective velocities.

    Object motion follows a constant velocity model. The bounding box location (x, y, w, h) is taken as direct
    observation of the state space (linear observation model).
    """

    def initiate(self, measurement: np.ndarray) -> tuple:
        """
        Create track from unassociated measurement.

        Args:
            measurement (ndarray): Bounding box coordinates (x, y, w, h) with center position (x, y), width, and height.

        Returns:
            (tuple[ndarray, ndarray]): Returns the mean vector (8 dimensional) and covariance matrix (8x8 dimensional) of
                the new track. Unobserved velocities are initialized to 0 mean.
        """
        mean_pos = measurement
        mean_vel = np.zeros_like(mean_pos)
        mean = np.r_[mean_pos, mean_vel]

        std = [
            2 * self._std_weight_position * measurement[2],
            2 * self._std_weight_position * measurement[3],
            2 * self._std_weight_position * measurement[2],
            2 * self._std_weight_position * measurement[3],
            10 * self._std_weight_velocity * measurement[2],
            10 * self._std_weight_velocity * measurement[3],
            10 * self._std_weight_velocity * measurement[2],
            10 * self._std_weight_velocity * measurement[3],
        ]
        covariance = np.diag(np.square(std))
        return mean, covariance

    def predict(self, mean, covariance) -> tuple:
        """
        Run Kalman filter prediction step.

        Args:
            mean (ndarray): The 8 dimensional mean vector of the object state at the previous time step.
            covariance (ndarray): The 8x8 dimensional covariance matrix of the object state at the previous time step.

        Returns:
            (tuple[ndarray, ndarray]): Returns the mean vector and covariance matrix of the predicted state. Unobserved
                velocities are initialized to 0 mean.
        """
        std_pos = [
            self._std_weight_position * mean[2],
            self._std_weight_position * mean[3],
            self._std_weight_position * mean[2],
            self._std_weight_position * mean[3],
        ]
        std_vel = [
            self._std_weight_velocity * mean[2],
            self._std_weight_velocity * mean[3],
            self._std_weight_velocity * mean[2],
            self._std_weight_velocity * mean[3],
        ]
        motion_cov = np.diag(np.square(np.r_[std_pos, std_vel]))

        mean = np.dot(mean, self._motion_mat.T)
        covariance = np.linalg.multi_dot((self._motion_mat, covariance, self._motion_mat.T)) + motion_cov

        return mean, covariance

    def project(self, mean, covariance) -> tuple:
        """
        Project state distribution to measurement space.

        Args:
            mean (ndarray): The state's mean vector (8 dimensional array).
            covariance (ndarray): The state's covariance matrix (8x8 dimensional).

        Returns:
            (tuple[ndarray, ndarray]): Returns the projected mean and covariance matrix of the given state estimate.
        """
        std = [
            self._std_weight_position * mean[2],
            self._std_weight_position * mean[3],
            self._std_weight_position * mean[2],
            self._std_weight_position * mean[3],
        ]
        innovation_cov = np.diag(np.square(std))

        mean = np.dot(self._update_mat, mean)
        covariance = np.linalg.multi_dot((self._update_mat, covariance, self._update_mat.T))
        return mean, covariance + innovation_cov

    def multi_predict(self, mean, covariance) -> tuple:
        """
        Run Kalman filter prediction step (Vectorized version).

        Args:
            mean (ndarray): The Nx8 dimensional mean matrix of the object states at the previous time step.
            covariance (ndarray): The Nx8x8 covariance matrix of the object states at the previous time step.

        Returns:
            (tuple[ndarray, ndarray]): Returns the mean vector and covariance matrix of the predicted state. Unobserved
                velocities are initialized to 0 mean.
        """
        std_pos = [
            self._std_weight_position * mean[:, 2],
            self._std_weight_position * mean[:, 3],
            self._std_weight_position * mean[:, 2],
            self._std_weight_position * mean[:, 3],
        ]
        std_vel = [
            self._std_weight_velocity * mean[:, 2],
            self._std_weight_velocity * mean[:, 3],
            self._std_weight_velocity * mean[:, 2],
            self._std_weight_velocity * mean[:, 3],
        ]
        sqr = np.square(np.r_[std_pos, std_vel]).T

        motion_cov = [np.diag(sqr[i]) for i in range(len(mean))]
        motion_cov = np.asarray(motion_cov)

        mean = np.dot(mean, self._motion_mat.T)
        left = np.dot(self._motion_mat, covariance).transpose((1, 0, 2))
        covariance = np.dot(left, self._motion_mat.T) + motion_cov

        return mean, covariance

    def update(self, mean, covariance, measurement) -> tuple:
        """
        Run Kalman filter correction step.

        Args:
            mean (ndarray): The predicted state's mean vector (8 dimensional).
            covariance (ndarray): The state's covariance matrix (8x8 dimensional).
            measurement (ndarray): The 4 dimensional measurement vector (x, y, w, h), where (x, y) is the center
                position, w the width, and h the height of the bounding box.

        Returns:
            (tuple[ndarray, ndarray]): Returns the measurement-corrected state distribution.
        """
        return super().update(mean, covariance, measurement)

initiate(measurement)

असंबद्ध माप से ट्रैक बनाएं।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
measurement ndarray

बाउंडिंग बॉक्स निर्देशांक (x, y, w, h) केंद्र की स्थिति (x, y), चौड़ाई और ऊंचाई के साथ।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

का माध्य सदिश (8 आयामी) और सहप्रसरण मैट्रिक्स (8x8 आयामी) देता है नया ट्रैक। अनपेक्षित वेगों को 0 माध्य से प्रारंभ किया जाता है।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249250 251 252 253 254 255256
def initiate(self, measurement: np.ndarray) -> tuple:
    """
    Create track from unassociated measurement.

    Args:
        measurement (ndarray): Bounding box coordinates (x, y, w, h) with center position (x, y), width, and height.

    Returns:
        (tuple[ndarray, ndarray]): Returns the mean vector (8 dimensional) and covariance matrix (8x8 dimensional) of
            the new track. Unobserved velocities are initialized to 0 mean.
    """
    mean_pos = measurement
    mean_vel = np.zeros_like(mean_pos)
    mean = np.r_[mean_pos, mean_vel]

    std = [
        2 * self._std_weight_position * measurement[2],
        2 * self._std_weight_position * measurement[3],
        2 * self._std_weight_position * measurement[2],
        2 * self._std_weight_position * measurement[3],
        10 * self._std_weight_velocity * measurement[2],
        10 * self._std_weight_velocity * measurement[3],
        10 * self._std_weight_velocity * measurement[2],
        10 * self._std_weight_velocity * measurement[3],
    ]
    covariance = np.diag(np.square(std))
    return mean, covariance

multi_predict(mean, covariance)

कलमैन फ़िल्टर भविष्यवाणी चरण (वेक्टरीकृत संस्करण) चलाएं।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

ऑब्जेक्ट का Nx8 आयामी माध्य मैट्रिक्स पिछले समय चरण में बताता है।

आवश्यक
covariance ndarray

ऑब्जेक्ट का Nx8x8 सहप्रसरण मैट्रिक्स पिछले समय चरण में बताता है।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

पूर्वानुमानित अवस्था का माध्य सदिश और सहप्रसरण मैट्रिक्स देता है. अनपेक्षित वेगों को 0 माध्य से प्रारंभ किया जाता है।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338339 340341342 343344345
def multi_predict(self, mean, covariance) -> tuple:
    """
    Run Kalman filter prediction step (Vectorized version).

    Args:
        mean (ndarray): The Nx8 dimensional mean matrix of the object states at the previous time step.
        covariance (ndarray): The Nx8x8 covariance matrix of the object states at the previous time step.

    Returns:
        (tuple[ndarray, ndarray]): Returns the mean vector and covariance matrix of the predicted state. Unobserved
            velocities are initialized to 0 mean.
    """
    std_pos = [
        self._std_weight_position * mean[:, 2],
        self._std_weight_position * mean[:, 3],
        self._std_weight_position * mean[:, 2],
        self._std_weight_position * mean[:, 3],
    ]
    std_vel = [
        self._std_weight_velocity * mean[:, 2],
        self._std_weight_velocity * mean[:, 3],
        self._std_weight_velocity * mean[:, 2],
        self._std_weight_velocity * mean[:, 3],
    ]
    sqr = np.square(np.r_[std_pos, std_vel]).T

    motion_cov = [np.diag(sqr[i]) for i in range(len(mean))]
    motion_cov = np.asarray(motion_cov)

    mean = np.dot(mean, self._motion_mat.T)
    left = np.dot(self._motion_mat, covariance).transpose((1, 0, 2))
    covariance = np.dot(left, self._motion_mat.T) + motion_cov

    return mean, covariance

predict(mean, covariance)

कलमैन फ़िल्टर भविष्यवाणी चरण चलाएं।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

पिछले समय चरण में वस्तु स्थिति का 8 आयामी माध्य वेक्टर।

आवश्यक
covariance ndarray

पिछले समय चरण में वस्तु स्थिति का 8x8 आयामी सहप्रसरण मैट्रिक्स।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

पूर्वानुमानित अवस्था का माध्य सदिश और सहप्रसरण मैट्रिक्स देता है. अनपेक्षित वेगों को 0 माध्य से प्रारंभ किया जाता है।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278279 280281 282 283 284 285 286 287
def predict(self, mean, covariance) -> tuple:
    """
    Run Kalman filter prediction step.

    Args:
        mean (ndarray): The 8 dimensional mean vector of the object state at the previous time step.
        covariance (ndarray): The 8x8 dimensional covariance matrix of the object state at the previous time step.

    Returns:
        (tuple[ndarray, ndarray]): Returns the mean vector and covariance matrix of the predicted state. Unobserved
            velocities are initialized to 0 mean.
    """
    std_pos = [
        self._std_weight_position * mean[2],
        self._std_weight_position * mean[3],
        self._std_weight_position * mean[2],
        self._std_weight_position * mean[3],
    ]
    std_vel = [
        self._std_weight_velocity * mean[2],
        self._std_weight_velocity * mean[3],
        self._std_weight_velocity * mean[2],
        self._std_weight_velocity * mean[3],
    ]
    motion_cov = np.diag(np.square(np.r_[std_pos, std_vel]))

    mean = np.dot(mean, self._motion_mat.T)
    covariance = np.linalg.multi_dot((self._motion_mat, covariance, self._motion_mat.T)) + motion_cov

    return mean, covariance

project(mean, covariance)

मापन स्थान के लिए परियोजना राज्य वितरण।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

राज्य का माध्य वेक्टर (8 आयामी सरणी)।

आवश्यक
covariance ndarray

राज्य का सहप्रसरण मैट्रिक्स (8x8 आयामी)।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

दिए गए राज्य अनुमान का अनुमानित माध्य और सहप्रसरण मैट्रिक्स देता है।

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
289 290 291 292 293 294 295 296 297 298299 300 301 302 303 304 305 306307308309310
def project(self, mean, covariance) -> tuple:
    """
    Project state distribution to measurement space.

    Args:
        mean (ndarray): The state's mean vector (8 dimensional array).
        covariance (ndarray): The state's covariance matrix (8x8 dimensional).

    Returns:
        (tuple[ndarray, ndarray]): Returns the projected mean and covariance matrix of the given state estimate.
    """
    std = [
        self._std_weight_position * mean[2],
        self._std_weight_position * mean[3],
        self._std_weight_position * mean[2],
        self._std_weight_position * mean[3],
    ]
    innovation_cov = np.diag(np.square(std))

    mean = np.dot(self._update_mat, mean)
    covariance = np.linalg.multi_dot((self._update_mat, covariance, self._update_mat.T))
    return mean, covariance + innovation_cov

update(mean, covariance, measurement)

कलमैन फ़िल्टर सुधार चरण चलाएँ।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
mean ndarray

अनुमानित राज्य का माध्य वेक्टर (8 आयामी)।

आवश्यक
covariance ndarray

राज्य का सहप्रसरण मैट्रिक्स (8x8 आयामी)।

आवश्यक
measurement ndarray

4 आयामी माप वेक्टर (x, y, w, h), जहां (x, y) केंद्र है स्थिति, डब्ल्यू चौड़ाई, और एच बाउंडिंग बॉक्स की ऊंचाई।

आवश्यक

देता:

प्रकार विवरण: __________
tuple[ndarray, ndarray]

माप-सही अवस्था वितरण देता है.

में स्रोत कोड ultralytics/trackers/utils/kalman_filter.py
347 348 349 350 351 352 353 354 355 356 357 358359360
def update(self, mean, covariance, measurement) -> tuple:
    """
    Run Kalman filter correction step.

    Args:
        mean (ndarray): The predicted state's mean vector (8 dimensional).
        covariance (ndarray): The state's covariance matrix (8x8 dimensional).
        measurement (ndarray): The 4 dimensional measurement vector (x, y, w, h), where (x, y) is the center
            position, w the width, and h the height of the bounding box.

    Returns:
        (tuple[ndarray, ndarray]): Returns the measurement-corrected state distribution.
    """
    return super().update(mean, covariance, measurement)





2023-11-12 बनाया गया, अपडेट किया गया 2023-11-25
लेखक: ग्लेन-जोचर (3)