这个卡尔曼滤波程序哪位大哥可以帮我解释一下？

clear

N=200%取200个数

w(1)=0

w=randn(1,N)%产生一个1×N的行向量，第一个数为0，w为过程噪声（其和后边的v在卡尔曼理论里均为高斯白噪声）

x(1)=0%状态x初始值

a=1%a为状态转移阵，此程序简单起见取1

for k=2:N

x(k)=a*x(k-1)+w(k-1) %系统状态方程，k时迅颤皮刻的状态等于k-1时刻状态乘以状态转移阵加噪声（此处忽略了系统的控制量）

end

V=randn(1,N)%测量噪声

q1=std(V)

Rvv=q1.^2

q2=std(x)

Rxx=q2.^2%此方程未用到Rxx

q3=std(w)

Rww=q3.^2%Rvv、Rww分别为过程噪声和测量洞山噪声的协方差(此方程只取一组数方差与协方差相同)

c=0.2

Y=c*x+V%量测方差，c为量测矩阵，同a简亩差化取为一个数

p(1)=0%初始最优化估计协方差

s(1)=0%s(1)表示为初始最优化估计

for t=2:N

p1(t)=a.^2*p(t-1)+Rww%p1为一步估计的协方差，此式从t-1时刻最优化估计s的协方差得到t-1时刻到t时刻一步估计的协方差

b(t)=c*p1(t)/(c.^2*p1(t)+Rvv)%b为卡尔曼增益，其意义表示为状态误差的协方差与量测误差的协方差之比(个人见解)

s(t)=a*s(t-1)+b(t)*(Y(t)-a*c*s(t-1))%Y(t)-a*c*s(t-1)称之为新息，是观测值与一步估计得到的观测值之差，此式由上一时刻状态的最优化估计s(t-1)得到当前时刻的最优化估计s(t)

p(t)=p1(t)-c*b(t)*p1(t)%此式由一步估计的协方差得到此时刻最优化估计的协方差

end

t=1:N

plot(t,s,'r',t,Y,'g',t,x,'b')%作图，红色为卡尔曼滤波，绿色为量测，蓝色为状态

%整体来说，此卡尔曼程序就是一个循环迭代的过程，给出初始的状态x和协方差p，得到下一时刻的x和p，循环带入可得到一系列的最优的状态估计值，此方法通常用于目标跟踪和定位。

%本人研究方向与此有关，有兴趣可以交流下。

在cnki上下篇kalman目标跟踪的

硕士论文

吧，很多的，当然期刊也可以，不过一般情况下硕士论文讲的能详扮旦瞎细点，然后找准一篇仔细研读，这样子基本上理论就没啥问题了，编程就用MATLAB，用C很麻烦，很多

算法

都没有得自己从头编，matlab集成了很多的算法的，只要找出来调用就行了。

这里给你

说下

kalman跟踪的思路吧：

0.如果你的视频是

实际

录得话，为防止检测到伪目标，首先要对输入的

图像

进行滤波，简单的有中值均值滤波。

1.对视频

序列

采用

背景差分

或帧间

差分

就可以得到运动

区域

了，这里重点就是背景建模，如果嫌麻烦也就别看什么单

高斯

或多高斯的了，直接找一个空帧(没有运动目标)当背景就OK了，差分后就有了运动区域，然后

二值化

方便以后的处理。然后视有没有阴影而进行阴影去除的工作。

2.上边这步也就是检测出了运动区域，按你的检测出来是要给边边

画圈

，这个在matlab上好好研究研究怎样提取目标边缘的点，在

原位

图图上把边迟迹缘的点改变成一个同

像素

值就行了，这样检测就完了。

3.跟踪，首先得找到目标的中心，因为目标不只是一个像素，必须有

一个中心

来表示它的坐标位置，这个方法自厅空己想啦，什么取均值求外接矩形中心啊都可以的，然后每一帧都这么做就有一系列的中心坐标了。

4.Kalman，Kalman的作用还是以滤波为主，相当于把第三步的那些坐标都当成

信号序列

，用Kalman滤波，边检测边滤波，kalman主要记住那5个

公式

，知道它的递推

过程

就基本能编出来了，至于

滤波器

参数

就在参考文献里找吧，编出来kalman部分的

程序

没多少行的，别怕。

5.如果是多目标跟踪的话就进行目标匹配的工作，相当于每帧都检测出两个目标，你要知道最新一帧中的每个分别对应的是前边帧的哪个目标。

上边这些给你一个大体的思路，你根据自己的任务选择做哪些工作，这个题目不难的，要

有信心

状态预测（位置、速度等）的准不准，影响了目标之间能否正确匹配（目标编号）。

上图是多目标跟踪的一戚老个例子，有效跟踪范围为x=0到x=200之间， 红线 表示卡尔曼滤波的 初始化 及 更新 阶段， 绿线 表示 预测 阶段。

当t=1时，

当t=2时，

当t=3时，

当t=4时，

当t=5时，

当t=6时，

由上述分析可高笑升知，卡尔曼滤波算法对多目标的状态进行估计，匈牙利算法对多目标进行匹配，实现多升清目标跟踪。

参考 https://www.pianshen.com/article/9795849360/

公式中 A和H为转移矩阵

---