Kalman filtering is an approach usi

Kalman filtering is an approach using the current state of the system for the prediction of its future behavior. It is an effective technique for object tracking in machine vision [12] and [13]. The potential defect regions can be true defects or false alarms induced by noises or uneven backgrounds. In the image sequence, the appearance of true defects will form a continuous trajectory, while false alarms turn out to appear randomly in irregular positions. The Kalman filtering approach can help track the true defects. The state vector and its covariance matrix are predicted using the current state (of the kth frame) and the transition matrix. The observation vector is measured by extracting the potential defect blobs of the (k+1)th frame. It is compared with the prediction in order to correct the state vector and the covariance matrix. Thus the state of system and the system covariance estimation are updated and ready for the prediction of the next frame. The procedure of Kalman filtering is illustrated in Fig. 1.

ผลลัพธ์ (ไทย) 1:

กรอง Kalman เป็นวิธีการที่ใช้ทำนายพฤติกรรมในอนาคตของสถานะปัจจุบันของระบบ เป็นเทคนิคมีประสิทธิภาพสำหรับวัตถุที่ติดตามในจักรวิทัศน์ [12] [13] ภูมิภาคข้อบกพร่องอาจเกิดขึ้นได้อย่างบกพร่องจริงหรือเท็จสัญญาณเตือนภัยที่เกิดจากเสียงหรือพื้นหลังที่ไม่สม่ำเสมอ ลำดับภาพ ลักษณะที่ปรากฏของข้อบกพร่องที่แท้จริงจะเป็นวิถีอย่างต่อเนื่อง ขณะเปิดสัญญาณเตือนภัยไม่ปรากฏแบบสุ่มในตำแหน่งผิดปกติ Kalman กรองวิธีสามารถช่วยติดตามข้อบกพร่องจริง สถานะเวกเตอร์และเมตริกซ์ความแปรปรวนจะคาดการณ์ใช้เมทริกซ์เปลี่ยนสถานะปัจจุบัน (ของ kth เฟรม) วัดเวคเตอร์การสังเกต โดยแยก blobs บกพร่องอาจเกิดขึ้นของ (k + 1) กรอบ th ถูกเปรียบเทียบกับคำทำนายเพื่อแก้ไขสถานะเวกเตอร์และเมตริกซ์ความแปรปรวนร่วม ดังนั้น สถานะของระบบและการประเมินความแปรปรวนร่วมของระบบถูกปรับปรุง และพร้อมสำหรับการทำนายของเฟรมถัดไป ขั้นตอนการกรอง Kalman เป็นแส Fig. 1

ผลลัพธ์ (ไทย) 2:

กรองคาลมานเป็นวิธีการใช้สถานะปัจจุบันของระบบการทำนายพฤติกรรมในอนาคตของตน มันเป็นเทคนิคที่มีประสิทธิภาพสำหรับการติดตามวัตถุในการมองเห็นเครื่อง [12] และ [13] ภูมิภาคข้อบกพร่องที่อาจเกิดขึ้นอาจจะเป็นข้อบกพร่องจริงหรือเตือนที่ผิดพลาดที่เกิดจากเสียงหรือภูมิหลังที่ไม่สม่ำเสมอ ลำดับภาพในลักษณะของข้อบกพร่องที่แท้จริงจะเป็นวิถีอย่างต่อเนื่องในขณะที่เตือนที่ผิดพลาดเปิดออกเพื่อสุ่มปรากฏในตำแหน่งที่ผิดปกติ วิธีการกรองคาลมานสามารถช่วยติดตามข้อบกพร่องจริง เวกเตอร์รัฐและแปรปรวนเมทริกซ์ที่มีการคาดการณ์โดยใช้สถานะปัจจุบัน (จากกรอบ KTH) และเมทริกซ์การเปลี่ยนแปลง เวกเตอร์สังเกตเป็นวัดโดยแยกข้อบกพร่องที่อาจเกิดขึ้น blobs ของ (k + 1) ครั้งที่กรอบ มันถูกเมื่อเทียบกับการคาดการณ์ในการสั่งซื้อเพื่อแก้ไขเวกเตอร์ของรัฐและแปรปรวนเมทริกซ์ ดังนั้นสถานะของระบบและการประมาณความแปรปรวนระบบที่มีการปรับปรุงและพร้อมสำหรับการคาดการณ์ของกรอบถัดไป ขั้นตอนของการกรองคาลมานจะแสดงในรูปที่ 1

ผลลัพธ์ (ไทย) 3:

กรองคาลมานเป็นวิธีการที่ใช้สถานะปัจจุบันของระบบ เพื่อทำนายพฤติกรรมในอนาคตของ มันเป็นเทคนิคที่มีประสิทธิภาพเพื่อติดตามวัตถุในการมองเห็นของเครื่องจักร [ 12 ] และ [ 13 ] ภูมิภาคที่มีศักยภาพสามารถเป็นจริงข้อบกพร่องข้อบกพร่องหรือการเตือนที่ผิดพลาดที่เกิดจากเสียงหรือพื้นไม่เรียบ ในการเรียงลำดับภาพ , ลักษณะที่แท้จริงของข้อบกพร่องจะรูปแบบการเคลื่อนที่อย่างต่อเนื่องขณะที่การเตือนที่ผิดพลาดจะปรากฏขึ้นแบบสุ่มในตำแหน่งผิดปกติ กรองคาลมานวิธีสามารถช่วยติดตามข้อบกพร่องที่แท้จริง รัฐเวกเตอร์ของเมทริกซ์ความแปรปรวนร่วมและคาดว่าการใช้สถานะปัจจุบัน ( ของ kth กรอบ ) และการเปลี่ยนเมทริกซ์ แบบเวกเตอร์วัดโดยสกัดศักยภาพ blobs ข้อบกพร่องของ ( K ( 1 ) กรอบ THมันเป็นเมื่อเทียบกับการคาดการณ์ในการแก้ไขรัฐเวกเตอร์และเมทริกซ์ความแปรปรวนร่วม . ดังนั้นสถานะของระบบและการประมาณค่าความแปรปรวนร่วมของระบบมีการปรับปรุงและพร้อมสำหรับการทำนายของเฟรมถัดไป ขั้นตอนการกรองคาลมานจะแสดงในรูปที่ 1