卡尔曼滤波教材详解

预测和滤波是不一样的，看你怎么用了。

有时候需要先进行预测，预测之后才能得到当前观测值。比如在多目标跟踪过程中，用预测的值，去寻找当前观测值。然后用预测的值和找到的观测值融合求出最优估计去校正。因为找到了，才知道当前观测值。

因为在进行多目标跟踪的过程中，我们不知道哪个才是当前观测值，只有和预测值靠的很近的，我们认为他是我们要的观测值，如下图所示，实线框表示目标在第一帧的位置，虚线框表示目标在第二帧的位置，我们现在需要关联(A, A’)和(B, B’)。

我们可以先预测目标的下一帧会出现的位置，然后与该预测的位置来进行对比关联，关联上的就是当前的观测值，然后我们利用观测值来进行递归校正。如下所示，加入寻找到的观测值，进行递归校正。

目标跟踪是这样的，用的是预测功能。有的领域可能用的是他的滤波功能，对利用观测值进行求出最优估计，然后输出为我们所用。
参考：https://www.cnblogs.com/xiaozhi_5638/p/9376784.html

下面进行卡尔曼的理论讲解。
参考教材：秦永元—卡尔曼滤波与组合导航原理(第3版)








以上就是教材中关于卡尔曼滤波详细推理论证。
需要教材的请点击下载

关于卡尔曼滤波其他通俗易懂的参考博客：
详解卡尔曼滤波原理：https://blog.csdn.net/u010720661/article/details/63253509
浅谈卡尔曼滤波（Kalman Filter）（一）：https://blog.csdn.net/baidu_21807307/article/details/51843079
卡尔曼滤波 – 从推导到应用(一)：https://blog.csdn.net/heyijia0327/article/details/17487467
卡尔曼滤波的理解以及参数调整：https://blog.csdn.net/u013453604/article/details/50301477

学习OpenCV2——卡尔曼滤波(KalmanFilter)详解：
https://blog.csdn.net/gdfsg/article/details/50904811