卡尔曼滤波（最易懂解答，从图像角度，欢迎讨论）

近期打算做一个简单的，工业上能用的追踪算法，想起了以前做的卡尔曼滤波多目标跟踪算法。虽然算法摆在那，但是非常费解的是，二郎忘了卡尔曼滤波的理论了，于是网上找资料，感觉整体上乱糟糟的，原因：
1.想讲公式的，没有讲清楚具体的原理，结果导致大家无法理解整体框架。
2.想讲科普的，没有一些应该有的细节，导致大家一看：“嗯，是这么一回事，可是……好像又啥都没学会。”
二郎在这里说下自己的理解方式，不求给大家全弄明白，大家有所领悟就好。

1.卡尔曼滤波用途
X1状态方程+X2’观测方程→预测X2
①状态方程：这里网上的例子多为小车，当前小车的位置和速度 + 速度公式 → 算出下一时刻，小车的位置和速度（高中物理）。
该方程是我们通过理论知识算出的。

②观测方程：我们通过激光测距仪，加速度测量仪，速度计等一些手段，测出的小车的位置和速度。上面也可以看出，这个方程是针对的X2，也就是我们在下一时刻观测的，当前时刻是不能得到这个值的。
该方程是我们通过技术手段获得的具体数据。

这里有个疑问，我都能够得到X2的具体数值了，那我还要卡尔曼在这预测干啥？

观测非常不准！！！！
拿视频跟踪算法为例（可能有不一样的，二郎只是拿一个最简单的方案）
状态方程：通过多帧的对比（光流法类似），找到运动目标的近似速度，然后通过当前帧计算下一帧的位置。
观测方程：通过特征检测之类的方法，从图中找到我们的目标，进而计算速度和位置。

这里有问题：
1.仅用状态方程，可能前几帧人走着，后来跑起来，跟踪的速度还认为是原来的速度，结果，框框跟不上目标，丢了；
2.仅用观测方程，人走着走着转了个身，直接就跟不到了，或者人的姿态有一点变化，也跟不上了。（说的是特征检测算法不是那么理想的情况下）

因此我们必须用卡尔曼滤波，它的主要功能：把我们的状态方程和观测方程结合起来，获得我们的最佳预测值。
下面关键点介绍
1.为啥用协方差矩阵
首先先理解方差，这里是考虑到我们的预测和测量会由于考虑不周，以及实际环境问题，存在各种各样的噪声，导致最终的预测不能精确到一个结果，而是到了一个区域（区域默认符合高斯分布）。
这里的协方差和上面对应，便是我们的位置和速度的误差关系，有时候我们是可以通过我们的位置误差算出我们的速度误差的。
①状态方程X1+状态的协方差H=状态的模糊估计
②观测方程X2’+观测的协方差R=观测的模糊估计
我们现在有了两个估计（满足高斯分布）
2.求k

H代表状态转移方程，这个和状态方程有关，代表着当前时刻如何转换到下一时刻。
这里拿小车为例

x2 = x1+v1*△t；
v2 = v1；

状态转移方程

其中

是状态转移方程。

整体：利用状态的协方差和观测的协方差可以求出k（很多推导公式集中在这里，如果只是拿来用，不是写论文，不建议在这上面花时间）。将获得的k带入方程，能够获得最终的结果。

时间更新：针对的状态方程，获得下一时刻状态。
状态更新：利用下一时刻状态+下一时刻观测→获得下一时刻预测。

这是全部的流程了，具体细节可以看
（要按顺序看，不然看不懂）

https://www.bilibili.com/video/BV1vs411z7PX?from=search&seid=16432778049045436727

https://blog.csdn.net/u010720661/article/details/63253509