🍊作者简介：秃头小苏，致力于用最通俗的语言描述问题

🍊往期回顾：卡尔曼滤波系列1——卡尔曼滤波

🍊近期目标：拥有2000粉丝
🍊支持小苏：点赞👍🏼、收藏⭐、留言📩

卡尔曼滤波实战

​ 最近刚好看到了一个有意思的卡尔曼滤波的视频，于是就学习了一下，现分享给大家🥗🥗🥗

[video(video-Ol0gUeOi-1649384042409)(type-csdn)(url-https://live.csdn.net/v/embed/196132)(image-https://video-community.csdnimg.cn/vod-84deb4/26a9c661252f4f5f97228926c9b1e9f1/snapshots/abd7cb52017149f9b35013662142957c-00002.jpg?auth_key=1649338517-80e386f4651443c6910fd362195985af-0-c530ab60c19e497b98fc38577b471f46)(title-kalman)]

​  视频中绿色圈表示橙子的位置，红色圈则为橙子的下一时刻的预测位置，是不是发现挺有意思的呢🌽🌽🌽

​  这里我给出代码的下载地址：https://pysource.com/2021/11/02/kalman-filter-predict-the-trajectory-of-an-object/🥝🥝🥝该链接中以及足够详细的介绍了该程序的使用方法，故这里不再过多的介绍了。

​  因为代码中是直接使用了opencv中的KalmanFilter函数，故这里我想还是简单的唠两句，当然学习这个函数最高效的方法肯定还是阅读opencv官方给的解释，链接如下：https://docs.opencv.org/4.x/dd/d6a/classcv_1_1KalmanFilter.html#details💐💐💐

​  这里对于opencv中KalmanFilter()的两个参数做一个简要的解释：

• dynamParams：状态的维度

​  在上述的代码中，其值为4，因为状态转移矩阵transitionMatrix有4个维度。

• measureParams：测量的维度

  ​  在上述的代码中，其值为2，因为测量矩阵transitionMatrix有2个维度。

  

 
 
如若文章对你有所帮助，那就🛴🛴🛴

咻咻咻咻~~duang~~点个赞呗