卡尔曼滤波

卡尔曼滤波器是在贝叶斯理论框架下，对贝叶斯滤波器的迭代求解．贝叶斯方法是将未知参数看
做随机变量，使用先验概率和当前观测信息计算后验概率．后验概率包含了未知参数全部的统计信息，并可以根据某些准则计算目标状态，得到后验概率即是得到估计的最优解．根据贝叶斯定理，未知量$x$的条件概率分布为
$$(1)\mathbf{p}(\mathbf{x}|\mathbf{y})=\frac{p(y|x)p(x)}{p(y)}$$
式中：$p(x|y)$为后验概率分布，$p(x)$为随机变量$ｘ$的先验概率分布，$p(y|x)$为测量$Y=y$的似然度函数，$p(y)$为测量$y$的概率分布，是一常数．通过似然度函数$p(y|x)$，用测量数据对先验信息$p(y)$进行修正，从而得到 随 机 变 量ｘ 的 后 验 概 率 分 布$p(x|y)$
卡尔曼滤波器是基于贝叶斯最大后验概率(Maximum a posteriori estimation，MAP)推论 和最小均 方误差准则，对 高 斯－马尔科夫随机过程中的不确定量进行估计。动态系统目标状态空间模型
包括状态模型和测量模型：
$$\begin{array}{l}(2){\mathbf{X}}_k=f_k\left({\mathbf{X}}_{k-1},{\mathbf{V}}_k\right)\\ (3){\mathbf{Y}}_k=h_k\left({\mathbf{X}}_k,{\mathbf{W}}_k\right)\end{array}\}$$
式中：$f_k$和$h_k$分别为状态模型和测量模型，${\mathbf{X}}_k$表示
$k$时刻的系统状态向量，${\mathbf{Y}}_k$表示$k$时刻的测量向量，${\mathbf{V}}_k$ 与${\mathbf{W}}_k$分别代表过程噪声和测量噪声，成像系统中的这种噪声都是线性高斯白噪声，$p(v)\sim N(0,Q)$， $Q$是${\mathbf{V}}_k$ 的协方差， $p(w)\sim N(0,R)$， $R$是${\mathbf{W}}_k$ 的协方差． 式(2)中描述了状态随时间的转移概率$p(x_k|x_{k-1})$ ， 式２－２） 表明与系统状态关联的带噪声的测量的似然度$p(y_k|x_k)$, 当噪声分布为高斯分布， 且状态方程与测量方程为线性时，卡尔曼滤波可得到估计问题的最优解．

卡尔曼滤波是“一种最优化自回归数据处理算法”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测