如果这个问题发布在错误的stackexchange网站上,请建议我可以迁移到哪里!
我正在研究一个经历多种条件(与墙壁以及其他物体)的物体的速度。物体位置的原始数据有些嘈杂,有两个原因:首先,视频的分辨率有限,其次,我的跟踪软件在跟踪物体时也存在一些误差(因为物体的图像随时间略微变化)。
如果仅使用物体位置的原始数据来计算物体的速度,则会出现显着的误差(比速度更大),因为物体正在高帧率下被跟踪。
我最感兴趣的是在碰撞前后的时间内物体的速度,这是一个重要的问题。
我考虑/尝试了以下可能的选项。
下面的两个问题与我的问题有关,并作为参考提供。 平滑系列数据 平滑GPS数据 此外,下面的论文似乎也提供了如何实现卡尔曼滤波器的好建议,尽管是针对实时数据。
我正在研究一个经历多种条件(与墙壁以及其他物体)的物体的速度。物体位置的原始数据有些嘈杂,有两个原因:首先,视频的分辨率有限,其次,我的跟踪软件在跟踪物体时也存在一些误差(因为物体的图像随时间略微变化)。
如果仅使用物体位置的原始数据来计算物体的速度,则会出现显着的误差(比速度更大),因为物体正在高帧率下被跟踪。
我最感兴趣的是在碰撞前后的时间内物体的速度,这是一个重要的问题。
我考虑/尝试了以下可能的选项。
- 在位置数据上应用离散卡尔曼滤波器:这是一个经常出现在相关问题帖子中的解决方案。然而,考虑到我们在开始平滑数据时已经拥有了所有数据,使用卡尔曼滤波器是否是利用可用数据的最佳方法?我的理解是,该滤波器设计用于随时间而来的数据(例如实时接收的位置数据,而不是完整的位置数据集)。
- 在位置数据上应用Savitsky-Golay平滑:当我在我的数据上尝试这个方法时,我发现在每次碰撞后±10个数据点的区域中引入了显著的伪像。我怀疑这与碰撞时的显著加速有关,但在尝试了一系列的SG平滑参数后,我无法消除这些伪像。
- 在碰撞处分离数据,然后使用移动平均法平滑速度:为了克服每次碰撞引入的问题,我将数据分成多个系列,每个碰撞点分离一次数据。例如,如果有三次碰撞,则数据将被分成四个系列。然后计算每个数据系列的速度,并使用移动平均法进行平滑处理。
下面的两个问题与我的问题有关,并作为参考提供。 平滑系列数据 平滑GPS数据 此外,下面的论文似乎也提供了如何实现卡尔曼滤波器的好建议,尽管是针对实时数据。