4. 经典跟踪算法（二）：卡尔曼滤波（Kalman Filter）原理、状态预测与更新、在目标跟踪中的应用

说到目标跟踪，卡尔曼滤波绝对是个绕不开的经典。我刚开始做跟踪项目时，总觉得这玩意儿数学公式太多，看着就头疼。后来真正上手调参，才发现它其实特别优雅——说白了，就是一套「猜 + 修」的循环。

你想想看，我们跟踪一个目标，比如一辆车。下一帧它会出现在哪里？我们当然可以猜。但猜得准不准，得看我们的模型好不好，以及测量噪声大不大。卡尔曼滤波干的事，就是把这个「猜」的过程数学化，然后用测量值去修正它。

  核心思想一句话： 用上一帧的状态预测当前帧的状态，再用当前帧的观测值去修正这个预测。

卡尔曼滤波其实就两个阶段：预测（Predict） 和 更新（Update）。我习惯叫它「先猜后修」。

这一步，我们根据目标的运动模型，从上一帧的状态推出当前帧的状态。假设目标做匀速运动，那位置和速度就是我们的状态量。

数学上长这样：

x_k = F * x_{k-1} + B * u_k + w_k
P_k = F * P_{k-1} * F^T + Q

解释一下：

我的经验： Q矩阵的调参很关键。设得太小，模型会过于自信，跟不上突然变向的目标；设得太大，滤波结果会抖动。我一般先设成单位矩阵的0.01倍，再根据实测效果微调。

预测完了，我们得拿实际观测值来修正。比如检测器返回了目标在当前帧的坐标。

K_k = P_k * H^T * (H * P_k * H^T + R)^{-1}
x_k = x_k + K_k * (z_k - H * x_k)
P_k = (I - K_k * H) * P_k

这里：

卡尔曼增益 K 很有意思。当观测噪声 R 很小时，K 会变大，我们更相信观测值；当过程噪声 Q 很小时，K 会变小，我们更相信预测值。说白了，这就是个「谁靠谱听谁的」机制。

避坑指南： 我曾经在一个项目中，观测噪声 R 设得太小，导致跟踪框疯狂抖动。后来把 R 调大了一倍，结果稳定多了。记住，检测器不是完美的，给它留点容错空间。

卡尔曼滤波在目标跟踪里，最常见的用法就是平滑轨迹和预测遮挡后的位置。

我举个例子。假设我们跟踪一辆车，检测器每帧返回它的中心坐标 (x, y)。我们定义状态向量为 [x, y, vx, vy]，即位置和速度。状态转移矩阵 F 就是匀速运动模型：

F = [[1, 0, dt, 0],
     [0, 1, 0, dt],
     [0, 0, 1, 0],
     [0, 0, 0, 1]]

观测矩阵 H 只提取位置：

H = [[1, 0, 0, 0],
     [0, 1, 0, 0]]

这样，每一帧我们都能得到平滑后的位置，还能预测下一帧的位置。如果目标被遮挡了，检测器返回空值，我们就直接用预测值顶上去，直到目标重新出现。

实用技巧： 我习惯在更新步骤前加一个门控（Gating）操作。如果观测值和预测值的马氏距离太大，说明这个观测可能是误检，直接丢弃。这样可以有效防止跟踪漂移。

卡尔曼滤波不是万能的。它假设系统是线性的，噪声是高斯分布。如果目标做非线性运动（比如急转弯），或者噪声不是高斯分布，效果就会打折扣。

这时候，我会考虑扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）。不过那是另一个话题了，今天先不展开。

  总结一下： 卡尔曼滤波是目标跟踪的基石。它用「预测-更新」的循环，把检测结果变得平滑、稳定、可预测。调好 Q 和 R，你就成功了一大半。

下面这张图，是我自己梳理的卡尔曼滤波在目标跟踪中的知识结构，方便你理解整体脉络：

嗯，这张图基本把卡尔曼滤波在跟踪中的流程说清楚了。从预测到更新，再到下一帧循环，核心就是那两个公式和两个参数 Q、R。调参的时候别急，一点点试，你会找到感觉的。