function kalmanFilterForTracking
主要分三步完成。
➢ Step1: showDetections();这个函数主要完成将目标从背景中提取出来，并
加以标注，为后面的跟踪奠定基础。
其主要有以下三个函数构成并完成功能：
getDefaultParameters 获取目标检测的基本参数（包括目标小球的运
动模型、初始位置、初始误差估计、运动噪声、测量噪声以及目标小
球提取的分割阈值）
createUtilities 以类的方式读取待检测视频,为后面检测移动的物
体作准备。
detectObject 将每帧图像由RGB格式转化为灰度，将第一小球目标从图
像背景中分离出来
➢ step2: 对被检测出的目标小球运动进行卡尔曼滤波，形成持续跟踪。
1．首次发现一个球时,初始化卡尔曼滤波器，完成对卡尔曼滤波器的基本参
数设置，主要由以下两个函数完成：
computeInitialLocation 计算小球被检测出来时的初始位置，作为卡尔曼
滤波器的初始位置参数；
configureKalmanFilter 初始化目标小球的运动模型、初始位置、初始误
差估计、运动噪声、测量噪声等卡尔曼滤波器的基本参数。
2．初始化卡尔曼滤波器后，若本帧图像中可正常提取出目标小球（即不丢
失小球），则可获得目标小球位置的量测信息，那么就可采用卡尔曼滤波对
目标运动进行最优估计，进而修正目标运动位置（也就是小球的跟踪位置），
并对目标小球标记“已修正”，基本功能主要由以下两个函数完成。
predict(kalmanFilter) 基于上一帧目标小球的状态估计信息以及卡尔曼
滤波器参数，结合基于本帧图像信息提取的目标状态量测信息，采用
卡尔曼滤波方法对本帧时刻目标小球的状态信息（位置）进行最优估
计。
correct(kalmanFilter, detectedLocation)采用卡尔曼滤波方法预测估计出
本帧时刻目标小球的位置信息后，对图像中目标小球的跟踪位置进行
修正。
如是循环，直到完成对全部图像的跟踪。
3．若本帧图像中无法提取出目标小球（即丢失小球），也就无法获得目标小
球位置的量测信息，只能采用卡尔曼滤波对目标运动进行一步预测，期望在
