企业官网建设流程全解析

简介：本资源是一套基于Python实现的卡尔曼滤波单目标跟踪完整工程，面向计算机视觉初学者与算法实践者，聚焦行人或运动目标在视频序列中的鲁棒轨迹估计问题。压缩包共8个文件，含5个核心Python脚本（涵盖状态建模、观测更新、IOU匹配、可视化绘制等模块）、1个测试视频（MP4）、1份项目说明文档（MD）及1个标注数据压缩包（7z），整体大小为8.17MB。已有1384人学习下载，说明其在入门级目标跟踪实践中具备较高参考价值。读者可直接运行main.py完成端到端跟踪流程，代码逐行注释清晰，配套labels标注格式说明与使用步骤详尽，特别适合理解卡尔曼滤波在动态目标预测中的实际应用逻辑，并快速复现、调试和拓展至其他单目标场景。

1. 项目概述：从理论到实践的卡尔曼滤波跟踪

如果你在计算机视觉或者机器人领域摸爬滚打过一阵子，肯定对“目标跟踪”这个任务不陌生。简单来说，就是让计算机在视频序列里，持续地“盯住”一个移动的物体，比如监控画面里的一辆车，或者无人机镜头下的一个人。这个任务听起来直观，但做起来坑不少——目标可能被遮挡、可能快速移动、画面可能有噪声，这些都会让跟踪器“跟丢”。

这时候，卡尔曼滤波（Kalman Filter）就登场了。它不是什么新潮的深度学习模型，而是一个有着几十年历史的经典算法，核心思想是“预测+修正”。你可以把它想象成一个特别靠谱的天气预报员：它先根据昨天的天气和风向来预测今天（预测步骤），然后今天早上实际出门感受一下温度（观测步骤），再结合预测和实际感受，得出一个更准确的、对今天天气的最终判断（更新步骤）。在目标跟踪里，“预测”就是根据目标上一帧的位置和速度，猜它下一帧会在哪；“观测”就是当前帧检测算法（比如YOLO）给出的目标位置；最后“修正”就是融合预测和观测，得到一个更稳定、更平滑的估计位置。

我这次分享的，就是一个用Python纯手工实现的、基于卡尔曼滤波的单目标跟踪项目源码。网上关于卡尔曼滤波的理论文章很多，公式推导看得人头晕，但能把理论变成一行行清晰、可运行、带详细注释代码的资源却不多。我这个项目就是为了填补这个缺口，它不依赖复杂的深度学习框架，核心就是numpy和opencv，旨在让你彻底搞懂卡尔曼滤波在跟踪中是怎么一步步运作的。代码里我写了大量的注释，几乎每一行关键计算都解释了“为什么这么做”，配套的使用说明也能让你快速跑起来，看到一个小方块在画面中被稳定跟踪的效果。无论是刚入门想理解基础，还是老手需要一个轻量、可修改的基准算法，这个项目都能提供扎实的参考。

2. 卡尔曼滤波的核心思想：在不确定中寻找最优估计

在深入代码之前，我们必须先抛开那些复杂的矩阵，理解卡尔曼滤波到底在解决一个什么问题。想象一下，你在用一台GPS不太准的手机导航，同时自己也在用步数估算走了多远。GPS信号（观测）时有漂移，但大致方向对；你自己的步测（预测）短距离相对准，但时间长了会累积误差。卡尔曼滤波就像一个聪明的助手，它不相信任何单一来源的绝对正确，而是持续地、动态地权衡GPS数据和你的步测数据，给你一个“最可能”的当前位置。这个“最可能”，在数学上就是最小化估计误差的协方差，也就是让我们的“猜测”最靠谱。

卡尔曼滤波把这个过程拆解成了两个核心步骤，交替进行，形成一个“预测-更新”的闭环：

预测步骤：基于模型向前看这一步完全依赖于我们建立的系统模型。在目标跟踪中，最常用的模型是恒定速度模型。我们假设目标在短时间内以近乎恒定的速度运动。那么，如果我们知道目标在k-1时刻的位置和速度，就能预测它在k时刻的位置：新位置 = 旧位置 + 速度 × 时间间隔。当然，现实世界有风阻、有转向，我们的模型不可能完美，这个不完美性被建模为“过程噪声”。预测步骤会产生一个预测的状态（比如位置和速度）以及这个预测的不确定性（协方差矩阵P）。模型越不准，过程噪声越大，预测的不确定性就越大。

更新步骤：用测量结果来修正当新的一帧图像到来，我们的检测器（比如一个简单的颜色匹配或深度学习检测框）会给出一个目标的观测位置。这个观测同样不完美，有“测量噪声”，比如检测框的抖动。更新步骤是卡尔曼滤波的精华所在。它计算一个叫做卡尔曼增益的东西。这个增益就像一个“信任权重调节器”：

• 如果我们的预测非常准（预测不确定性小），而观测噪声很大（比如这一帧检测器抽风了），那么卡尔曼增益会变小，算法更相信自己的预测，对观测的修正幅度就小。
• 反之，如果预测模型很差（预测不确定性大），而观测仪器很精密（测量噪声小），卡尔曼增益就变大，算法会更倾向于采纳新的观测值。

最后，算法将预测的状态和观测的状态按照卡尔曼增益的比例进行加权融合，得到一个新的、最优的估计状态，并更新状态的不确定性。这个新的估计，就是我们对目标当前位置的最佳判断，它比单纯的预测或单纯的观测都更可靠。整个流程就这样一帧一帧地循环下去，实现稳定跟踪。

3. 代码结构深度解析：一个模块一个模块拆开看

拿到源码+代码注释+项目使用说明.zip后，解压开来，你会发现项目结构非常清晰，旨在最大化可读性和可复用性。我们抛开那些配置文件，直接看核心部分。

kalman_filter.py：算法的心脏这个文件里是一个KalmanFilter类，它是整个跟踪器的核心。我把它设计得尽可能通用和干净。

import numpy as np class KalmanFilter(object): def __init__(self, dt=1.0, state_dim=4, measure_dim=2): """ 初始化卡尔曼滤波器。 :param dt: 时间步长，单位秒。默认1.0，表示假设每帧间隔1秒。 在实际视频中，你需要根据帧率计算真实的dt，例如30fps则dt=1/30。 :param state_dim: 状态向量维度。对于恒定速度模型，通常为4：[x, y, vx, vy]。 :param measure_dim: 观测向量维度。通常为2，即我们能直接观测到目标的[x, y]中心坐标。 """ self.dt = dt # 状态向量：我们跟踪的目标的内在状态，例如 [x, y, vx, vy] self.x = np.zeros((state_dim, 1)) # 状态转移矩阵F：描述状态如何从k-1时刻演化到k时刻。 # 对于恒定速度模型：新位置 = 旧位置 + 速度 * dt self.F = np.array([[1, 0, dt, 0], [0, 1, 0, dt], [0, 0, 1, 0], [0, 0, 0, 1]]) # 观测矩阵H：描述如何从状态向量映射到观测向量。 # 我们只能观测到位置(x, y)，观测不到速度(vx, vy)，所以H矩阵负责“提取”位置。 self.H = np.array([[1, 0, 0, 0], [0, 1, 0, 0]]) # 状态协方差矩阵P：表示我们对当前状态估计的不确定性。初始时通常给一个较大的值，表示“我们很不确定”。 self.P = np.eye(state_dim) * 1000 # 过程噪声协方差矩阵Q：表示我们的运动模型（恒定速度）不完美的程度。 # 这里用一个简化的设置，假设位置和速度的噪声独立。实际中可能需要调参。 self.Q = np.eye(state_dim) * 0.01 # 测量噪声协方差矩阵R：表示我们的观测（检测框）不准确的程度。 # 值越大，表示越不相信观测。通常需要根据检测器的精度来调整。 self.R = np.eye(measure_dim) * 1.0 def predict(self): """ 预测步骤：基于运动模型，预测下一时刻的状态和不确定性。 :return: 预测后的状态向量 x。 """ # 状态预测：x_k|k-1 = F * x_k-1|k-1 self.x = np.dot(self.F, self.x) # 协方差预测：P_k|k-1 = F * P_k-1|k-1 * F^T + Q self.P = np.dot(np.dot(self.F, self.P), self.F.T) + self.Q return self.x def update(self, z): """ 更新步骤：用新的观测值z来修正预测。 :param z: 观测向量，形状为 (measure_dim, 1)，例如检测到的目标中心坐标 [[cx], [cy]]。 :return: 更新后的状态向量 x。 """ # 计算卡尔曼增益 K: 它是预测不确定性和观测不确定性的权衡。 # S = H * P * H^T + R, 这是预测的观测值的协方差（即，预测的不确定性映射到观测空间，加上观测噪声） S = np.dot(np.dot(self.H, self.P), self.H.T) + self.R # K = P * H^T * S^{-1} K = np.dot(np.dot(self.P, self.H.T), np.linalg.inv(S)) # 计算观测残差（新息）：y = z - H * x y = z - np.dot(self.H, self.x) # 状态更新：x_k|k = x_k|k-1 + K * y self.x = self.x + np.dot(K, y) # 协方差更新：P_k|k = (I - K * H) * P_k|k-1 I = np.eye(self.x.shape[0]) self.P = np.dot(I - np.dot(K, self.H), self.P) return self.x

这个类的设计遵循了卡尔曼滤波的标准流程。__init__方法中初始化所有矩阵是关键，其中F,H,Q,R的设定直接决定了滤波器的行为。predict和update方法严格对应理论中的两个公式。注释里我详细解释了每个矩阵的物理意义，比如为什么H矩阵是[[1,0,0,0],[0,1,0,0]]，因为它从状态[x,y,vx,vy]中只抽取x,y作为观测值。

tracker.py：跟踪器的业务逻辑这个文件里的SingleObjectTracker类，是将卡尔曼滤波与具体的跟踪任务结合起来的桥梁。它处理更高层的逻辑，比如跟踪状态的维持、检测框与预测框的匹配（在这个单目标简单示例中，匹配逻辑被简化了）。

class SingleObjectTracker: def __init__(self, initial_bbox, dt=1.0/30.0): """ 初始化单目标跟踪器。 :param initial_bbox: 初始边界框，格式为 [x1, y1, x2, y2] (左上角，右下角)。 :param dt: 视频帧间的时间间隔，用于卡尔曼滤波器的状态预测。默认按30fps计算。 """ # 将初始检测框转换为状态向量 [cx, cy, vx, vy] x1, y1, x2, y2 = initial_bbox initial_cx = (x1 + x2) / 2.0 initial_cy = (y1 + y2) / 2.0 # 初始速度假设为0 initial_state = np.array([[initial_cx], [initial_cy], [0.0], [0.0]]) self.kf = KalmanFilter(dt=dt) self.kf.x = initial_state # 初始化滤波器状态 self.track_id = 1 self.time_since_update = 0 self.hits = 1 self.age = 1 # 这里可以定义跟踪状态：'tentative', 'confirmed', 'lost'等，本示例简化处理。 def predict(self): """ 对外接口：执行卡尔曼滤波的预测步骤，并返回预测的边界框。 :return: 预测的边界框 [x1, y1, x2, y2]。 """ predicted_state = self.kf.predict() # 从预测的状态中提取中心点 (cx, cy) cx, cy = predicted_state[0, 0], predicted_state[1, 0] # 注意：这里我们假设目标大小不变，使用初始的宽高。实际中可能需要动态更新大小。 # 我们需要一个存储目标宽高（w, h）的变量，这里为了简化，假设是固定的。 # 更完善的实现会在初始化时计算并保存 w, h。 w, h = 50, 50 # 示例固定值，实际应从初始框计算 pred_bbox = [cx - w/2, cy - h/2, cx + w/2, cy + h/2] self.age += 1 return pred_bbox def update(self, detection_bbox): """ 对外接口：用新的检测框更新跟踪器。 :param detection_bbox: 新的检测边界框 [x1, y1, x2, y2]。 """ x1, y1, x2, y2 = detection_bbox cx = (x1 + x2) / 2.0 cy = (y1 + y2) / 2.0 # 将观测值（中心坐标）构造成列向量 measurement = np.array([[cx], [cy]]) self.kf.update(measurement) self.time_since_update = 0 self.hits += 1 # 可选：在这里更新存储的目标宽高 (w, h)

这个类封装了跟踪的生命周期管理。predict方法不仅调用KF的预测，还将预测的状态向量转换回图像上的边界框，便于可视化。update方法则将检测框的中心坐标提取出来，构造为观测向量，送入KF进行修正。我在这里加入了time_since_update和hits等变量，这是为后续扩展做铺垫（比如判断跟踪是否丢失），在简单的单目标跟踪中，它们确保了逻辑的完整性。

main.py与utils.py：让项目跑起来main.py是项目的入口，它通常负责读取视频流或图像序列，调用检测器（在示例中可能是一个模拟的检测器或简单的鼠标框选），然后驱动tracker.py和kalman_filter.py完成跟踪循环。utils.py则包含一些辅助函数，比如计算两个框的重叠度（IOU）、画框、颜色转换等，让主逻辑更清晰。

4. 关键参数调优与实践中的坑

卡尔曼滤波理论很美，但把它用好的关键，往往在于那几个矩阵参数的调优。很多初学者跑通代码后会发现跟踪框要么“懒洋洋”跟不上快速运动，要么“抖得厉害”不如直接看检测框。问题大多出在Q和R矩阵上。

过程噪声协方差 Q：你对模型的信任度Q矩阵代表了你的运动模型有多不靠谱。在我们的恒定速度模型中，我们假设目标匀速直线运动。但现实中目标会加速、减速、转弯。

• 如果你把Q设得非常小（比如Q = np.eye(4) * 0.001），意味着你非常相信“恒定速度”这个假设。那么滤波器会对预测给予极高的权重。结果就是：当目标真的匀速时，跟踪非常平滑；但当目标突然转向或加速时，跟踪框会严重滞后，因为它“不相信”观测到的剧烈变化，修正得很慢，看起来就像跟踪框有“惯性”，拉都拉不回来。
• 如果你把Q设得比较大（比如Q = np.eye(4) * 0.1），意味着你承认模型很不准，不确定性高。那么滤波器会更倾向于相信每一帧新的观测。结果就是：跟踪框对运动变化反应灵敏，但也会把检测框本身的抖动（噪声）全盘接收，导致跟踪轨迹不平滑，甚至比直接看检测框还抖。

我的调参经验是：对于行人跟踪，速度变化相对温和，Q可以设小一点，追求平滑。对于车辆跟踪，特别是城市道路可能频繁加减速，Q需要适当调大。一个实用的技巧是将Q矩阵与状态向量关联起来，通常对速度分量（vx, vy）赋予比位置分量（x, y）更大的噪声，因为速度更容易发生变化。例如：

# 一个更细致的Q矩阵设置示例 dt = 1.0/30.0 # 假设过程噪声主要来自加速度，且加速度噪声的方差为sigma_a^2 sigma_a = 0.1 # 根据连续时间白噪声加速度模型推导的离散时间Q矩阵 Q = np.array([[dt**4/4, 0, dt**3/2, 0], [0, dt**4/4, 0, dt**3/2], [dt**3/2, 0, dt**2, 0], [0, dt**3/2, 0, dt**2]]) * sigma_a**2

这个Q矩阵的推导考虑了加速度噪声在时间dt内对位置和速度的影响，比简单的对角矩阵更符合物理实际。项目中提供的简单对角矩阵Q是一个很好的起点，但当你需要更精确的跟踪时，理解并调整Q的结构至关重要。

测量噪声协方差 R：你对传感器的信任度R矩阵代表了你的观测（检测器）有多不准。如果你的检测器是YOLO这类现代检测器，在未被遮挡时框的位置很准，那么R应该设得小一些（比如np.eye(2) * 0.1），告诉滤波器“观测很可靠，多听听它的”。如果你的检测器比较初级，或者场景中目标外观变化大导致检测框跳动严重，那么R应该设得大一些（比如np.eye(2) * 10），让滤波器更多地依赖自己的预测来平滑轨迹。

一个常见的坑是“模型维度不匹配”。我们的状态是[x, y, vx, vy]，观测是[x, y]。注意，这里的x, y是图像像素坐标。如果你的视频分辨率是1280x720，那么x的范围是0~1280，y是0~720。而vx, vy是速度，单位是“像素/帧”或“像素/秒”。如果你错误地将dt设为1（意味着1秒1帧），而实际视频是30fps（dt=1/30），那么你预测一步，速度分量就会让位置移动vx * 1个像素，这在实际30fps的视频里意味着目标在1/30秒内就移动了vx像素，如果vx较大，预测会严重超前，导致跟踪不稳定。务必根据视频的真实帧率设置dt参数。

5. 项目运行与效果演示：手把手跑通代码

假设你已经配置好了Python环境（需要numpy,opencv-python），我们来看看如何让这个跟踪器动起来。

第一步：环境准备与依赖安装打开终端或命令提示符，使用pip安装必要的库。我强烈建议使用虚拟环境来管理项目依赖，避免污染全局环境。

# 创建并激活虚拟环境（以venv为例） python -m venv kalman_track_env # Windows: kalman_track_env\Scripts\activate # Linux/Mac: source kalman_track_env/bin/activate # 安装依赖 pip install numpy opencv-python

如果你的项目里包含了requirements.txt文件，直接运行pip install -r requirements.txt即可。

第二步：理解数据流与接口项目的主程序main.py很可能设计了两种模式：

1. 模拟模式：程序内部生成一个虚拟目标的运动轨迹（比如正弦波运动），并添加一些随机噪声来模拟不完美的检测。这是学习和调试算法的最佳方式，因为你可以完全控制“真实轨迹”和“带噪声的观测”，直观地看到卡尔曼滤波是如何平滑噪声、逼近真实轨迹的。
2. 真实视频模式：从摄像头或视频文件中读取真实帧。这里需要一个“检测器”来提供每一帧的观测框。在示例项目中，为了简化，可能会让你用鼠标在第一帧手动框选目标，之后就用这个颜色或模板作为简单的检测器，或者直接使用一个预训练的Haar级联检测器。在更复杂的版本中，你可以替换成YOLO、SSD等深度学习检测器。

第三步：运行与交互运行主程序：

python main.py

如果是模拟模式，你会直接看到一个窗口，里面有一条真实轨迹（绿色）、带噪声的观测点（红色）以及卡尔曼滤波估计的轨迹（蓝色）。观察蓝色轨迹是如何紧密跟随绿色真实轨迹，同时又比红色观测点平滑得多的。

如果是真实视频模式，程序启动后，通常会暂停在第一帧，并在控制台提示你“请用鼠标框选要跟踪的目标”。这时，你用鼠标在目标上拖出一个矩形框，然后按回车或空格键确认。之后，跟踪就开始了。你会看到：

• 一个红色的框：代表当前帧检测器给出的结果（观测）。由于示例中的检测器可能很简单，这个框可能会抖动甚至偶尔丢失。
• 一个绿色的框：代表卡尔曼滤波预测并更新后的结果（最优估计）。你会发现这个框的运动非常平滑，即使红色检测框偶尔跳动或短暂消失，绿色框也能基于运动趋势保持跟踪，并在检测恢复后迅速修正。

第四步：调整参数观察效果这是最有价值的一步。找到代码中初始化卡尔曼滤波器的地方（通常在tracker.py或main.py里），尝试修改Q和R矩阵的数值，然后重新运行程序。

• 将Q对角线上与速度相关的元素（第3、4个）改大，比如从0.01改成0.1。再运行，你会发现绿色框对目标运动的反应变快了，但可能也更抖了。
• 将R对角线上的值改大，比如从1.0改成10.0。再运行，你会发现绿色框变得更“固执”，更相信自己的预测，对红色检测框的变化反应迟钝。 通过这样的实操，你会对卡尔曼滤波中“预测”与“观测”的权衡有非常直观和深刻的理解。

6. 从单目标到多目标：算法扩展思路

我们这个项目是单目标跟踪，但现实场景往往是多目标。如何扩展？核心思想是“数据关联”，即为每一个跟踪器（SingleObjectTracker实例）在每一帧找到最匹配的那个检测框。

基于匈牙利算法与IOU的匹配最经典的方法是使用匈牙利算法解决一个分配问题。成本矩阵通常由跟踪器预测框与当前帧所有检测框之间的“距离”构成。这个“距离”可以是：

1. 交并比（IOU）的负值：cost = -iou(pred_box, det_box)。IOU越大，表示重叠度越高，成本越低，越可能匹配。
2. 马氏距离：利用卡尔曼滤波预测状态的不确定性（协方差矩阵P）和观测空间的距离来计算，这在数学上更严谨，因为它考虑了预测的不确定性。

在每一帧，我们执行以下步骤：

1. 对所有已有的跟踪器执行predict()，得到它们在当前帧的预测框。
2. 运行检测器，得到当前帧的所有检测框。
3. 计算所有“预测框-检测框”对的成本（如1-IOU），形成一个成本矩阵。
4. 使用匈牙利算法，找到总成本最低的匹配方案。
5. 对于匹配成功的(tracker, detection)对，调用该跟踪器的update(detection)。
6. 对于未匹配到检测的跟踪器，只进行predict()而不更新，并记录其“未更新次数”。当次数超过阈值（如30帧），则认为目标已离开视野，删除该跟踪器。
7. 对于未匹配到任何跟踪器的检测框，认为可能是新出现的目标，为其创建一个新的跟踪器实例。

处理遮挡与ID切换多目标跟踪中最棘手的问题是遮挡。当两个目标交叉而过时，检测框可能合并，导致跟踪器混淆，发生ID交换（即A目标的ID跟到了B目标身上）。为了缓解这个问题，除了IOU，还可以引入：

• 外观特征：使用一个简单的ReID网络或颜色直方图提取每个目标的外观特征。在匹配时，将外观相似度（余弦距离）与运动相似度（IOU距离）加权融合作为最终成本。这样即使运动轨迹交叉，只要外观差异大，仍然能区分。
• 轨迹一致性：不只比较当前帧的框，还比较短时间内的运动轨迹方向、速度的一致性。

在我们的单目标源码基础上，你可以新建一个MultiObjectTracker类，内部维护一个SingleObjectTracker的列表，并实现上述的匹配逻辑。这将是迈向实用多目标跟踪系统的关键一步。

7. 卡尔曼滤波的局限性与替代方案

尽管卡尔曼滤波在线性高斯系统中是最优估计器，但在目标跟踪的复杂场景中，它有其固有的局限性，了解这些才能知道何时该用它，何时该换方案。

局限性一：线性与高斯假设经典卡尔曼滤波要求系统动态模型和观测模型都是线性的，并且过程噪声和观测噪声都是高斯白噪声。我们的恒定速度模型（x = x_prev + v * dt）是线性的，这没问题。但观测模型（从像素坐标到像素坐标）通常也是线性的，所以也OK。问题在于噪声和高斯假设。现实中的目标运动往往是非线性的（比如转弯），检测器的误差分布也可能不是完美的高斯分布（比如当目标被部分遮挡时，检测框可能会产生突变的、非高斯的大误差）。

局限性二：单模与数据关联标准卡尔曼滤波是“单模”的，它只维护一个状态估计和一个不确定性（一个高斯分布）。这意味着它假设目标在任何时候都只处于一种运动模式（如匀速）。当目标运动模式在“行走”和“奔跑”间切换时，单一模型可能无法准确描述。此外，如前所述，在多目标场景中，数据关联（哪个检测属于哪个跟踪器）的挑战是卡尔曼滤波本身不解决的，需要额外的逻辑。

应对方案与进阶算法

1. 扩展卡尔曼滤波（EKF）与无迹卡尔曼滤波（UKF）：当系统模型或观测模型为非线性时使用。EKF通过对非线性函数进行一阶泰勒展开来线性化，UKF则通过一组精心选择的采样点（Sigma点）来近似非线性变换后的状态分布。它们在机器人定位（非直线运动）中应用广泛。
2. 粒子滤波：彻底抛弃了高斯假设，用一群随机样本（粒子）来表示状态的后验概率分布。它特别适合处理非线性、非高斯问题，并且天生能处理多模态分布（即目标可能处于多个位置）。但计算量通常比卡尔曼滤波大。
3. 多假设跟踪（MHT）与基于深度学习的跟踪：对于复杂的数据关联问题，MHT会维护多个可能的关联假设。而如今，基于深度学习的端到端多目标跟踪（如Tracktor、FairMOT、ByteTrack）直接利用强大的深度特征进行检测和关联，在许多基准测试上超越了传统方法。不过，它们需要大量的数据和计算资源。

那么，卡尔曼滤波还有用吗？当然有用，而且非常有用。它的优势在于极其高效和轻量。在计算资源受限的边缘设备（如无人机、嵌入式摄像头）上，一个精心调参的卡尔曼滤波跟踪器，配合一个轻量级检测器，往往能提供实时、可靠的性能。它也是许多复杂跟踪系统中的一个标准组件，例如，在ByteTrack等先进算法中，卡尔曼滤波依然被用来做运动预测，而数据关联则交给了更复杂的基于外观或IoU的匹配策略。理解卡尔曼滤波，是理解整个目标跟踪领域的一块基石。

本文还有配套的精品资源，点击获取