Kalman Filter卡尔曼滤波公式推导和视频行人跟踪应用

随着传感技术、机器人、自动驾驶以及航空航天等技术的不断发展，对控制系统的精度及稳定性的要求也越来越高。卡尔曼滤波作为一种状态最优估计的方法，其应用也越来越普遍，如在无人机、机器人等领域均得到了广泛应用。

公式推导

1.递归算法了解

参考视频：【卡尔曼滤波器】1_递归算法_Recursive Processing_哔哩哔哩_bilibili

2.数学基础_数据融合_协方差矩阵_状态空间方程_观测器问题

参考视频：【卡尔曼滤波器】2_数学基础_数据融合_协方差矩阵_状态空间方程_观测器问题_哔哩哔哩_bilibili

3.卡尔曼增益数学推导

参考视频：【卡尔曼滤波器】3_卡尔曼增益超详细数学推导 ～全网最完整_哔哩哔哩_bilibili

4.误差协方差矩阵数学推导_卡尔曼滤波器的五个公式

参考视频：【卡尔曼滤波器】4_误差协方差矩阵数学推导_卡尔曼滤波器的五个公式_哔哩哔哩_bilibili

行人跟踪应用

1.图表效果展示

Excel：【卡尔曼滤波器】5_直观理解与二维实例_哔哩哔哩_bilibili

python代码：2D-Kalman-Filter-Example_Dr_CAN_in_python

2.视频行人跟踪

参考视频：用卡尔曼滤波器打造一个简易单目标跟踪器_哔哩哔哩_bilibili

代码：

• 行人单目标GitHub - liuchangji/kalman-filter-in-single-object-tracking

• 行人多目标GitHub - ZhangPHEngr/Kalman-in-MOT: 使用卡尔曼滤波多目标跟踪