二分掌柜的

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish

flyfish 在协方差的定义中

flyfish 最开始的，从平均数开始计算的式子

flyfish

flyfish 描述状态估计的不确定性，是一个对称矩阵。具体来说，它表示状态向量中每个元素的方差（不确定性）以及这些元素之间的协方差。协方差矩阵是对称的，并且在滤波器的预测和更新步骤中不断更新。

flyfish先略再详，先简洁的说，再细说。卡尔曼滤波器的预测步骤主要有两个目标：两个重要的点预测步骤详解过程噪声的标准差计算：std_pos 和 std_vel 分别是位置和速度的不确定性的标准差。这些标准差基于当前状态中的高度（mean[3]）和预定义的权重系数 _std_weight_position 和 _std_weight_velocity 计算得出。motion_cov 是过程噪声的协方差矩阵，表示由于模型的不确定性而引入的噪声。代码中过程噪声协方差矩阵 motion_cov

flyfish 自由度决定卡方分布的形状。马氏距离的平方在多维正态分布下服从自由度为 k 的卡方分布。

Cholesky 分解将协方差矩阵分解成下三角矩阵，使得求解过程可以高效进行。这篇是利flyfish 用 solve_triangular 函数，我们可以高效地解这些线性方程组，从而得到标准化残差和更新后的状态。三角方程组是由三角矩阵组成的线性方程组，由于其特殊的结构，解这类方程组的计算更加简单高效。我们看 scipy.linalg.solve_triangular 这句代码是如何通过解三角方程计算标准化残差的。三角矩阵是一种特殊的方阵，矩阵中所有在对角线一侧的元素都是零

flyfish在目标跟踪中，使用马氏距离可以帮助判断某个观测值是否与当前的状态估计一致。gating_distance 是一个方法，用于计算状态分布和观测值之间的门限距离（gating distance）。门限距离通常用于数据关联和验证测量值是否合理。提示用户可以从 chi2inv95 中获取适当的距离阈值。如果only_position 为 False，则使用4自由度的卡方分布，否则使用2自由度的卡方分布。

flyfish马氏距离的公式是由印度统计学家在1936年提出的。马氏距离是一种多维尺度上的距离度量，它考虑了各个维度之间的相关性，并且通过协方差矩阵对数据进行缩放，使得在计算不同数据点之间的距离时，可以考虑到各个维度的不同特性。可以直接拖到最后的一张图，看下马氏距离与欧式距离相比有什么优势：DM(x,

flyfish 利用卡方分布的特性来设定合理的阈值进行异常检测或目标跟踪。

多目标跟踪的调参

xtx(t)xt是位置x˙t\dot{x}(t)x˙t是速度awta=w(t)awt是加速度xtxtx˙t位置速度x(t) \\\dot{x}(t)\text { 位置 } \\\text { 速度 }xtxtx˙t​位置速度​xtx0v0t12at2xtx0​v0​t21​at2(位置)x˙tvtv0atx˙tvtv0​at。

Python 卡尔曼滤波实践。从xlsx文件读取的数据是。

代码采用C++实现，目标检测支持YOLOv5 6.x,跟踪支持deepsort 和 bytetrack。检测模型可以直接从YOLOv5官网，导出onnx使用特征提取可以自己训练，导出onnx使用，onnxruntime cpu 推理，方便使用.特征支持自定义维度例如 128,256,512等本文源码地址。

flyfish