1. 卡爾曼濾波的基本原理和演算法
卡爾曼濾波的原理用幾何方法來解釋。這時，~X和~Z矩陣中的每個元素應看做向量空間中的一個向量而不再是一個單純的數。這個向量空間（統計測試空間）可以看成無窮多維的，每一個維對應一個可能的狀態。~X和~Z矩陣中的每個元素向量都是由所有可能的狀態按照各自出現的概率組合而成（在測量之前，~X和~Z 的實際值都是不可知的）。~X和~Z中的每個元素向量都應是0均值的，與自己的內積就是他們的協方差矩陣。無法給出~X和~Z中每個元素向量的具體表達，但通過協方差矩陣就可以知道所有元素向量的模長，以及相互之間的夾角（從內積計算）。
為了方便用幾何方法解釋，假設狀態變數X是一個1行1列的矩陣（即只有一個待測狀態量），而量測變數Z是一個2行1列的矩陣（即有兩個測量儀器，共同測量同一個狀態量X），也就是說，m=1，n=2。矩陣X中只有X[1]一項，矩陣Z中有Z[1]和Z[2]兩項。Kg此時應是一個1行2列的矩陣，兩個元素分別記作Kg1 和 Kg2 。H和V此時應是一個2行1列的矩陣。
參考資料：
http://blog.csdn.net/newthinker_wei/article/details/11768443
2. kalman濾波原理
卡爾曼(kalman)濾波 卡爾曼濾波是一種高效率的遞歸濾波器(自回歸濾波器), 它能夠從一系列的不完全包含雜訊的測量(英文: measurement)中，估計動態系統的狀態。 應用實例 卡爾曼濾波的一個典型實例是從一組有限的，對物體位置的， 包含雜訊的觀察序列預測出物體的坐標位置及速度. 在很多工程應用(雷達, 計算機視覺)中都可以找到它的身影. 同時， 卡爾曼濾波也是控制理論以及控制系統工程中的一個重要話題. 比如,在雷達中,人們感興趣的是跟蹤目標,但目標的位置,速度, 加速度的測量值往往在任何時候都有雜訊. 卡爾曼濾波利用目標的動態信息,設法去掉雜訊的影響, 得到一個關於目標位置的好的估計。 這個估計可以是對當前目標位置的估計(濾波), 也可以是對於將來位置的估計(預測)， 也可以是對過去位置的估計(插值或平滑). 命名 這種濾波方法以它的發明者魯道夫.E.卡爾曼（Rudolf E. Kalman）命名. 雖然Peter Swerling實際上更早提出了一種類似的演算法. 斯坦利.施密特(Stanley Schmidt)首次實現了卡爾曼濾波器. 卡爾曼在NASA埃姆斯研究中心訪問時, 發現他的方法對於解決阿波羅計劃的軌道預測很有用, 後來阿波羅飛船的導航電腦使用了這種濾波器. 關於這種濾波器的論文由Swerling (1958), Kalman (1960)與 Kalman and Bucy (1961)發表. 目前,卡爾曼濾波已經有很多不同的實現. 卡爾曼最初提出的形式現在一般稱為簡單卡爾曼濾波器.除此以外, 還有施密特擴展濾波器,信息濾波器以及很多Bierman, Thornton 開發的平方根濾波器的變種.也行最常見的卡爾曼濾波器是鎖相環， 它在收音機,計算機和幾乎任何視頻或通訊設備中廣泛存在.
3. 計算機視覺中，目前有哪些經典的目標跟蹤演算法
第一章介紹運動的分類、計算機視覺領域中運動分析模型、計算機視覺領域運動檢測和目標跟蹤技術研究現狀、計算機視覺領域中運動分析技術的難點等內容；
第二章介紹傳統的運動檢測和目標跟蹤演算法，包括背景差分法、幀間差分法、光流場評估演算法等；
第三章介紹具有周期性運動特徵的低速目標運動檢測和跟蹤演算法，並以CCD測量系統為例介紹該演算法的應用；
第四章介紹高速運動目標識別和跟蹤演算法，並以激光通信十信標光捕獲和跟蹤系統為例介紹該演算法的應用；
第五章介紹具有復雜背景的目標運動檢測過程中採用的光流場演算法，包括正規化相關的特性及其改進光流場評估演算法，並介紹改進光流場演算法的具體應用；
第六章介紹互補投票法實現可信賴運動向量估計。
4. 卡爾曼濾波器的作用
卡爾曼濾波器是一個最優化自回歸數據處理演算法，應用廣泛。使用卡爾曼濾波器可以組合GNSS和INS的測試結果，根據含有雜訊的物體感測器測量值，預測出物體的位置坐標和速度。它具有很強的魯棒性，即使觀察到物體的位置有誤差，也可以根據物體的運動規律預測一個位置，再結合當前的獲取的位置信息，減少感測器誤差，增強位置測量的連續性和穩定性，更加准確地輸出載體的位置。
5. 卡爾曼濾波參數如何計算
參看高鐵梅的《經濟周期波動的分析與預測方法》
6. 卡爾曼濾波的詳細原理
卡爾曼濾波（Kalman filtering）是一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的演算法。由於觀測數據中包括系統中的雜訊和干擾的影響，所以最優估計也可看作是濾波過程。
斯坦利·施密特(Stanley Schmidt)首次實現了卡爾曼濾波器。卡爾曼在NASA埃姆斯研究中心訪問時，發現他的方法對於解決阿波羅計劃的軌道預測很有用，後來阿波羅飛船的導航電腦使用了這種濾波器。 關於這種濾波器的論文由Swerling (1958), Kalman (1960)與 Kalman and Bucy (1961)發表。
數據濾波是去除雜訊還原真實數據的一種數據處理技術, Kalman濾波在測量方差已知的情況下能夠從一系列存在測量雜訊的數據中，估計動態系統的狀態. 由於, 它便於計算機編程實現, 並能夠對現場採集的數據進行實時的更新和處理, Kalman濾波是目前應用最為廣泛的濾波方法, 在通信, 導航, 制導與控制等多領域得到了較好的應用.
表達式
X(k)=A X(k-1)+B U(k)+W(k)
背景
斯坦利·施密特(Stanley Schmidt)首次實
現了卡爾曼濾波器。卡爾曼在NASA埃姆斯研究中心訪問時,發現他的方法對於解決阿波羅計劃的軌道預測很有用,後來阿波羅飛船的導航電腦使用了這種濾波器。關於這種濾波器的論文由Swerling (1958), Kalman (1960)與 Kalman and Bucy (1961)發表。
定義
傳統的濾波方法，只能是在有用信號與雜訊具有不同頻帶的條件下才能實現．20世紀40年代，N．維納和A．H．柯爾莫哥羅夫把信號和雜訊的統計性質引進了濾波理論，在假設信號和雜訊都是平穩過程的條件下，利用最優化方法對信號真值進行估計，達到濾波目的，從而在概念上與傳統的濾波方法聯系起來，被稱為維納濾波。這種方法要求信號和雜訊都必須是以平穩過程為條件。60年代初，卡爾曼(R．E．Kalman)和布塞(R． S．Bucy)發表了一篇重要的論文《線性濾波和預測 理論的新成果》，提出了一種新的線性濾波和預測理由論，被稱之為卡爾曼濾波。特點是在線性狀態空間表示的基礎上對有雜訊的輸入和觀測信號進行處理，求取系統狀態或真實信號。
這種理論是在時間域上來表述的，基本的概念是：在線性系統的狀態空間表示基礎上，從輸出和輸入觀測數據求系統狀態的最優估計。這里所說的系統狀態，是總結系統所有過去的輸入和擾動對系統的作用的最小參數的集合，知道了系統的狀態就能夠與未來的輸入與系統的擾動一起確定系統的整個行為。
卡爾曼濾波不要求信號和雜訊都是平穩過程的假設條件。對於每個時刻的系統擾動和觀測誤差（即雜訊），只要對它們的統計性質作某些適當的假定，通過對含有雜訊的觀測信號進行處理，就能在平均的意義上，求得誤差為最小的真實信號的估計值。因此，自從卡爾曼濾波理論問世以來，在通信系統、電力系統、航空航天、環境污染控制、工業控制、雷達信號處理等許多部門都得到了應用，取得了許多成功應用的成果。例如在圖像處理方面，應用卡爾曼濾波對由於某些雜訊影響而造成模糊的圖像進行復原。在對雜訊作了某些統計性質的假定後，就可以用卡爾曼的演算法以遞推的方式從模糊圖像中得到均方差最小的真實圖像，使模糊的圖像得到復原。
性質
①卡爾曼濾波是一個演算法，它適用於線性、離散和有限維系統。每一個有外部變數的自回歸移動平均系統(ARMAX)或可用有理傳遞函數表示的系統都可以轉換成用狀態空間表示的系統，從而能用卡爾曼濾波進行計算。
②任何一組觀測數據都無助於消除x(t)的確定性。增益K(t)也同樣地與觀測數據無關。
③當觀測數據和狀態聯合服從高斯分布時用卡爾曼遞歸公式計算得到的是高斯隨機變數的條件均值和條件方差，從而卡爾曼濾波公式給出了計算狀態的條件概率密度的更新過程線性最小方差估計，也就是最小方差估計。
形式
卡爾曼濾波已經有很多不同的實現，卡爾曼最初提出的形式一般稱為簡單卡爾曼濾波器。除此以外，還有施密特擴展濾波器、信息濾波器以及很多Bierman, Thornton 開發的平方根濾波器的變種。最常見的卡爾曼濾波器是鎖相環，它在收音機、計算機和幾乎任何視頻或通訊設備中廣泛存在。
實例
卡爾曼濾波的一個典型實例是從一組有限的，對物體位置的，包含雜訊的觀察序列中預測出物體的坐標位置及速度。在很多工程應用(雷達、計算機視覺)中都可以找到它的身影。同時，卡爾曼濾波也是控制理論以及控制系統工程中的一個重要話題。
應用
比如，在雷達中，人們感興趣的是跟蹤目標，但目標的位置、速度、加速度的測量值往往在任何時候都有雜訊。卡爾曼濾波利用目標的動態信息,設法去掉雜訊的影響，得到一個關於目標位置的好的估計。這個估計可以是對當前目標位置的估計(濾波)，也可以是對於將來位置的估計(預測)，也可以是對過去位置的估計(插值或平滑)。
擴展卡爾曼濾波（EXTEND KALMAN FILTER, EKF）
是由kalman filter考慮時間非線性的動態系統，常應用於目標跟蹤系統。
狀態估計
狀態估計是卡爾曼濾波的重要組成部分。一般來說，根據觀測數據對隨機量進行定量推斷就是估計問題，特別是對動態行為的狀態估計，它能實現實時運行狀態的估計和預測功能。比如對飛行器狀態估計。狀態估計對於了解和控制一個系統具有重要意義，所應用的方法屬於統計學中的估計理論。最常用的是最小二乘估計，線性最小方差估計、最小方差估計、遞推最小二乘估計等。其他如風險准則的貝葉斯估計、最大似然估計、隨機逼近等方法也都有應用。
狀態量
受雜訊干擾的狀態量是個隨機量，不可能測得精確值，但可對它進行一系列觀測，並依據一組觀測值，按某種統計觀點對它進行估計。使估計值盡可能准確地接近真實值，這就是最優估計。真實值與估計值之差稱為估計誤差。若估計值的數學期望與真實值相等，這種估計稱為無偏估計。卡爾曼提出的遞推最優估計理論，採用狀態空間描述法，在演算法採用遞推形式，卡爾曼濾波能處理多維和非平穩的隨機過程。
理論
卡爾曼濾波理論的提出，克服了威納濾波理論的局限性使其在工程上得到了廣泛的應用，尤其在控制、制導、導航、通訊等現代工程方面。
7. mean-shift配合卡爾曼濾波的目標跟蹤方法中的觀測值如何選取
觀測值是通過X(k-1)通過meanshift得到的
8. 基於卡爾曼濾波的目標跟蹤怎麼做
在cnki上下篇kalman目標跟蹤的碩士論文吧，很多的，當然期刊也可以，不過一般情況下碩士論文講的能詳細點，然後找准一篇仔細研讀，這樣子基本上理論就沒啥問題了，編程就用MATLAB，用C很麻煩，很多演算法都沒有得自己從頭編，matlab集成了很多的演算法的，只要找出來調用就行了。
這里給你說下kalman跟蹤的思路吧：
0.如果你的視頻是實際錄得話，為防止檢測到偽目標，首先要對輸入的圖像進行濾波，簡單的有中值均值濾波。
1.對視頻序列採用背景差分或幀間差分就可以得到運動區域了，這里重點就是背景建模，如果嫌麻煩也就別看什麼單高斯或多高斯的了，直接找一個空幀(沒有運動目標)當背景就OK了，差分後就有了運動區域，然後二值化方便以後的處理。然後視有沒有陰影而進行陰影去除的工作。
2.上邊這步也就是檢測出了運動區域，按你的檢測出來是要給邊邊畫圈，這個在matlab上好好研究研究怎樣提取目標邊緣的點，在原點陣圖圖上把邊緣的點改變成一個同像素值就行了，這樣檢測就完了。
3.跟蹤，首先得找到目標的中心，因為目標不只是一個像素，必須有一個中心來表示它的坐標位置，這個方法自己想啦，什麼取均值求外接矩形中心啊都可以的，然後每一幀都這么做就有一系列的中心坐標了。
4.Kalman，Kalman的作用還是以濾波為主，相當於把第三步的那些坐標都當成信號序列，用Kalman濾波，邊檢測邊濾波，kalman主要記住那5個公式，知道它的遞推過程就基本能編出來了，至於濾波器參數就在參考文獻里找吧，編出來kalman部分的程序沒多少行的，別怕。
5.如果是多目標跟蹤的話就進行目標匹配的工作，相當於每幀都檢測出兩個目標，你要知道最新一幀中的每個分別對應的是前邊幀的哪個目標。
上邊這些給你一個大體的思路，你根據自己的任務選擇做哪些工作，這個題目不難的，要有信心
9. 什麼叫卡爾曼濾波演算法其序貫演算法
卡爾曼濾波演算法（Kalman filtering）一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的演算法。由於觀測數據中包括系統中的雜訊和干擾的影響，所以最優估計也可看作是濾波過程。
序貫演算法又叫序貫相似性檢測演算法，是指圖像匹配技術是根據已知的圖像模塊(模板圖)在另一幅圖像(搜索圖)中尋找相應或相近模塊的過程，它是計算機視覺和模式識別中的基本手段。已在衛星遙感、空間飛行器的自動導航、機器人視覺、氣象雲圖分析及醫學x射線圖片處理等許多領域中得到了廣泛的應用。研究表明，圖像匹配的速度主要取決於匹配演算法的搜索策略。
數據濾波是去除雜訊還原真實數據的一種數據處理技術, Kalman濾波在測量方差已知的情況下能夠從一系列存在測量雜訊的數據中，估計動態系統的狀態. 由於, 它便於計算機編程實現, 並能夠對現場採集的數據進行實時的更新和處理, Kalman濾波是目前應用最為廣泛的濾波方法, 在通信, 導航, 制導與控制等多領域得到了較好的應用。