一个人在this tutorial 上发布了关于使用卡尔曼滤波器进行对象跟踪的信息。很多人评价高星，所以这不是一个错误/错误的教程。
但是，一个人发布了以下问题：" 在这段代码中，您在每一帧中都进行了检测，并将此输出作为卡尔曼滤波器的输入提供。因此背景减法和卡尔曼滤波器将给出相似的结果。所以请您在这里解释卡尔曼滤波器的使用。 "
我和他有同样的想法。 有人可以在这里解释卡尔曼滤波器的使用吗？
【问题讨论】：
标签： matlab object tracking kalman-filter background-subtraction
使用背景减除的简单检测将在每个采样周期给出一个结果，但是结果会很嘈杂（由于测量噪声和可能的量化），并且检测错误会产生巨大的影响。
如果你想观察一个物体，你通常会知道它是如何运动的。它不会从一个位置跳到下一个位置，而是以连续的方式移动到那里。卡尔曼滤波器结合了简单检测算法的测量值，并将它们与您对对象（位置不能跳跃）的模型知识相结合，因此它过滤测量值并考虑测量的历史。考虑一个线性系统，可以证明卡尔曼滤波器是考虑系统测量噪声的最优数据过滤方式。
编辑：在本教程中，卡尔曼滤波器显然用于预测下一步球的位置。在向下运动中，这非常有效。由于过滤器对地板一无所知，所以当球落地时，预测当然是错误的。在向上运动期间，预测仍然会出现这个错误。
【讨论】：
基于最小均方原理的卡尔曼工作原理的直观概述。它计算与卡尔曼增益相关的 2 个参数。你可以这样想——有2个参数，1个用于观察，另一个用于预测，即。如果“猜测”是正确的，这两个参数将给予更多的权重来信任观察到的数据，而对预测数据给予更少的权重，反之亦然，以适应下一轮。如果不是，该误差将影响增益进行相应调整。因此，卡尔曼滤波器和维纳一样，被称为“自适应”。
【讨论】：