卡尔曼滤波算法学习笔记（图像理解）

1960年，卡尔曼发表了他著名的用递归方法解决离散数据线性滤波问题的论文。从那以后，得益于数字计算技术的进步，卡尔曼滤波器已成为推广研究和应用的主题，尤其是在自主或协助导航领域。卡尔曼滤波算法是一种“最优化自回归数据处理算法（Optimal Recursive Data Processing Algorithm）”,对于解决大部分问题，他是最优、效率最高的算法。卡尔曼滤波器由一系列递归数学公式描述，它们提供了一种高效可计算的方法来估计过程的状态，并使估计均方误差最小。卡尔曼滤波器应用广泛且功能强大：它可以估计信号的过去和当前状态，甚至能估计将来的状态，即使并不知道模型的确切性质。

卡尔曼滤波算法是一种状态估计算法，可以在含有不确定信息的系统中使用，对于受到随机干扰和随机测量误差作用的物理系统，按照某种性能指标（准则）为最优的原则，从具有随机的测量数据中提取信息，估计出系统的某些参数状态变量。

参考文章：https://blog.csdn.net/u010720661/article/details/63253509
下面我们继续以只有位置和速度这两个状态的简单例子做解释。

我们并不知道实际的位置和速度，它们之间有很多种可能正确的组合，但其中一些的可能性要大于其它部分：

卡尔曼滤波假设两个变量（位置和速度，在这个例子中）都是随机的，并且服从高斯分布。每个变量都有一个均值 μ，表示随机分布的中心（最可能的状态），以及方差，表示不确定性。