计算机视觉基于 Kalman 滤波器进行 物体 跟踪 (Python 版)

预估器

我们期望能够尽可能充分地利用测量数据，以推断移动物体的运动状态。因此，通过多个测量值的叠加，有助于识别出未受噪声干扰的观测轨迹部分。一个至关重要的补充因素是该移动物体运动的数学模型。借助这一模型，不仅能够确定该物体当前所处的位置，还能明确哪些参数被观测结果所支持。

该任务可划分为两个主要步骤。在第一阶段，即预测阶段 ，依据过往获取的信息对模型进行修正，从而推算出人或物体下一步可能出现的位置。在第二阶段，即校正阶段 ，我们获取新的测量数据，并将其与基于前一时刻预测结果（即模型）进行比对和修正。完成上述两个步骤的估计过程所采用的方式可称为预估器。

关于Kalman滤波的通俗解释

在阐述Kalman滤波器的基本原理之前，我们先通过一个生活化的实例来初步认识该算法的功能与作用，从而更深入地理解其运行机制。以下内容摘自网络资料。
设想我们所关注的研究对象是一个房间的温度变化情况。根据常识判断，这个房间的温度基本保持稳定，即下一分钟的温度值与当前分钟的温度值大致相等（假设以一分钟作为时间单位）。然而，由于个人经验存在一定的不确定性，可能对实际温度的判断会有几度的偏差。我们将这些不确定性视为高斯白噪声（White Gaussian Noise），也就是说这些误差在时间上是独立存在的，并且服从高斯分布（Gaussian Distribut