一个人发布this tutorial关于使用卡尔曼滤波器进行物体跟踪。许多人评价高星，所以这不是一个错误/错误的教程。
然而，一个人发布了以下问题：“在这段代码中你已经在每一帧都进行了检测，这个输出作为卡尔曼滤波器的输入提供。所以背景减法和卡尔曼滤波器会得到类似的结果。所以请你解释一下在这里使用卡尔曼滤波器。“
我和他有同样的想法。任何人都可以在这里解释卡尔曼滤波器的使用吗？
使用背景减法的简单检测将在每个采样周期给出结果，但结果将是噪声（由于测量噪声和可能的量化）并且检测误差将产生巨大影响。
如果你想观察一个物体，你通常会知道它将如何移动。它不会从一个位置跳到另一个位置，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结果，并将它们与您对物体的模型知识（位置不能跳跃）相结合，因此它过滤测量并考虑测量的历史。考虑到线性系统，您可以证明卡尔曼滤波器是考虑系统测量噪声的数据滤波的最佳方式。
编辑：在本教程中，卡尔曼滤波器显然用于预测下一步中球的位置。在向下运动中，这非常有效。由于过滤器对地板一无所知，当球撞到地面时，预测当然是错误的。在向上运动期间，预测仍然会受到此错误的影响。
卡尔曼的概述是基于最小均方原理。它计算2个与卡尔曼增益相关的参数。您可以这样考虑它 - 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，则2个参数将给予更多权重以信任观察到的数据，而对于预测数据则更少，反之亦然，以适应下一轮。如果不是，则错误将影响相应调整的增益。因此，像维纳一样，卡尔曼滤波器被称为“自适应”。