第1章：数学基础回顾
各位同学好，我是你们的老朋友。今天咱们开始《目标关联算法实战应用》的第一课。
说实话，很多人一上来就啃卡尔曼滤波、马氏距离，结果越学越懵。为什么？因为数学底子没打牢。我当年刚入行时也踩过这个坑——项目做到一半，发现连协方差矩阵都理解错了，那叫一个尴尬。
所以这一章，咱们把基础夯实。别急，我会用最接地气的方式讲清楚。
1.1 向量与矩阵运算
先问个问题：目标关联里，我们为什么要用向量和矩阵？
说白了，一个目标的状态（位置、速度、加速度）就是一个向量。多个目标的状态堆在一起，就是矩阵。你想想看，如果不用矩阵，你要手动算几十个目标的距离？那不得累死。
向量点积：两个向量的对应元素相乘再求和。公式很简单：
a · b = a₁b₁ + a₂b₂ + ... + aₙbₙ我在项目中常用点积算相似度。比如两个特征向量，点积越大，说明越像。
矩阵乘法：这个稍微绕一点。记住一句话：左行乘右列。
C = A × B
C[i][j] = Σ A[i][k] × B[k][j]转置与逆矩阵：转置就是把行和列互换。逆矩阵嘛，相当于矩阵的「倒数」。注意了，不是所有矩阵都有逆——行列式为0的矩阵，就是奇异矩阵，没有逆。
1.2 欧氏距离与马氏距离
距离度量，是目标关联的核心。你总得知道两个目标「有多像」吧？
欧氏距离：最直观的距离。就是你在初中就学过的两点间距离公式。
d(x, y) = √[(x₁ - y₁)² + (x₂ - y₂)² + ... + (xₙ - yₙ)²]欧氏距离有个大问题：它假设所有维度同等重要。但在实际中，不同维度的尺度可能差很多。比如位置是米级，速度是米/秒级，加速度是米/秒²级。直接算欧氏距离，位置会主导结果。
马氏距离：这个就聪明多了。它考虑了数据的分布和相关性。
d(x, y) = √[(x - y)ᵀ · Σ⁻¹ · (x - y)]其中Σ是协方差矩阵。说白了，马氏距离就是「标准化后的欧氏距离」。它把不同维度的尺度统一了，还考虑了维度之间的相关性。
举个例子：假设有两个目标，位置分别是(1,2)和(3,4)，速度分别是(5,6)和(7,8)。用欧氏距离算，位置差和速度差是「平等」的。但用马氏距离，如果速度的方差比位置大，马氏距离会自动给速度维度「降权」。
1.3 卡尔曼滤波基础
卡尔曼滤波，说白了就是「用上一刻的状态，预测下一刻的状态，再用观测值修正」。我刚开始学的时候，觉得公式一堆，头大。后来发现，核心就五个公式。
预测阶段：
x̂ₖ|ₖ₋₁ = F · x̂ₖ₋₁|ₖ₋₁ + B · uₖ
Pₖ|ₖ₋₁ = F · Pₖ₋₁|ₖ₋₁ · Fᵀ + Q更新阶段：
Kₖ = Pₖ|ₖ₋₁ · Hᵀ · (H · Pₖ|ₖ₋₁ · Hᵀ + R)⁻¹
x̂ₖ|ₖ = x̂ₖ|ₖ₋₁ + Kₖ · (zₖ - H · x̂ₖ|ₖ₋₁)
Pₖ|ₖ = (I - Kₖ · H) · Pₖ|ₖ₋₁别怕，咱们拆开看：
- F：状态转移矩阵。描述目标怎么运动（匀速？匀加速？）
- Q：过程噪声。你预测得越不准，Q就越大。
- R：观测噪声。传感器越不准，R就越大。
- K：卡尔曼增益。它决定了「你更相信预测，还是更相信观测」。
举个实际例子：你在跟踪一辆车。上一秒它在(10,20)，速度(5,0)。你预测下一秒它在(15,20)。但传感器说它在(14,21)。卡尔曼滤波会综合预测和观测，给出一个「折中」的位置。如果传感器很准（R小），就更相信观测；如果模型很准（Q小），就更相信预测。
1.4 概率论基础：贝叶斯公式
贝叶斯公式，是目标关联的「灵魂」。没有它，卡尔曼滤波、数据关联都玩不转。
P(A|B) = P(B|A) · P(A) / P(B)翻译成人话：
- P(A)：先验概率。在没看到数据之前，你觉得A有多可能？
- P(B|A)：似然。如果A是真的，那么看到B的概率有多大？
- P(A|B)：后验概率。看到B之后，你对A的信念更新了多少？
我举个例子你就明白了。假设你在做目标检测：
- A = 「这个目标是行人」
- B = 「传感器检测到目标有两条腿」
先验P(A)：在没看传感器数据前，你觉得是行人的概率是0.3（因为也可能是车、自行车）。
似然P(B|A)：如果真是行人，看到两条腿的概率是0.95。
P(B)：看到两条腿的总概率，包括行人和非行人。假设非行人也有0.1的概率被误检为两条腿。
那么后验概率：
P(A|B) = 0.95 × 0.3 / (0.95 × 0.3 + 0.1 × 0.7) ≈ 0.80看到了吗？看到两条腿后，你从「30%相信是行人」更新到了「80%相信」。这就是贝叶斯更新的威力。
嗯，这里要注意：贝叶斯公式要求P(B)不为0。如果P(B)=0，说明这个观测不可能发生，那就不用算了。
本章小结
这一章我们讲了四个基础：
- 向量与矩阵：目标状态和运算的载体
- 欧氏距离与马氏距离：衡量目标相似度的工具
- 卡尔曼滤波：状态预测与更新的框架
- 贝叶斯公式：信念更新的数学基础
这四个东西，就像盖房子的砖瓦。后面每一章都会用到。我建议你花点时间，把矩阵乘法和贝叶斯公式手算几遍。别偷懒，手算一遍顶看十遍。
最后送大家一句话：数学不是用来背的，是用来「用」的。你在项目中用一次，就永远忘不掉了。