卡尔曼滤波粒子滤波移动物体追踪复现 来源于国外某课程的学习报告资料，含英语报告PDF和完整的MATLAB程序及用于测试的视频文件（报告中也使用改视频文件）。 程序包含3种物体追踪算法 1卡尔曼滤波移动物体追踪。 2粒子滤波移动目标跟踪。 3将kalman滤波和粒子滤波结合起来进行移动物体实时追踪。 报告详细信息及程序运行结果请参考附图
在移动目标追踪领域，算法的选择直接影响着实时性和鲁棒性。最近复现了三种经典追踪方案，发现不同方法的特性差异远比想象中有趣。先看最经典的卡尔曼滤波实现——这算法就像个经验丰富的快递员，总能预测包裹下一秒的位置。
MATLAB代码里有个关键函数处理状态更新：
function [x_updated, P_updated] = kalman_update(x_pred, P_pred, z, H, R) K = P_pred * H' / (H * P_pred * H' + R); % 计算卡尔曼增益 x_updated = x_pred + K*(z - H*x_pred); % 状态修正 P_updated = (eye(4) - K*H)*P_pred; % 协方差更新 end这段代码最妙的地方在于卡尔曼增益的计算（第2行）。当传感器噪声R变大时，K会减小，算法更相信自己的预测而不是测量数据。实际调试时发现，视频中目标突然被遮挡时，适当调高R参数能有效避免追踪框乱飘。
粒子滤波的实现完全是另一种画风。初始化时撒出500个粒子随机分布在目标周围：
particles = repmat(initial_pos, n_particles, 1) + randn(n_particles,4)*20; weights = ones(n_particles, 1)/n_particles;每个粒子都像无头苍蝇般随机移动，但会根据与真实目标的相似度获得权重。重采样阶段特别有趣——权重低的粒子被淘汰，高权重的粒子开始"繁殖"。实测发现当目标快速转向时，这种蒙特卡洛方法比卡尔曼滤波更跟得上节奏。
两者的结合方案才真正展现了工程智慧。在kalmanpffusion.m中看到这样的处理逻辑：
% 混合跟踪核心逻辑 if confidence < threshold % 当卡尔曼预测置信度下降 pf_results = particle_filter(frame); % 启动粒子滤波 kalman_state = fuse_states(kalman_pred, pf_results); % 状态融合 else kalman_state = kalman_update(kalman_pred); % 正常卡尔曼更新 end这种动态切换机制在目标被树木遮挡时（测试视频第47秒）特别有效。卡尔曼滤波提供基础预测，当遇到复杂情况时粒子群立即介入，像一群侦察兵快速锁定目标新位置。
调试时踩过个坑：粒子数量设为1000时FPS直接掉到8，降到500后流畅度翻倍却偶尔丢失目标。最后采用动态粒子数量机制——当目标运动剧烈时自动增加粒子密度，算是找到了性能平衡点。这些实践细节在教科书里可不会写，得亲手调过才知道。
