Implementation-of-Different-Object-Tracking-Algorithms-:在本项目中，我们...

不同对象跟踪算法的实现 在大多数应用中，由于多种原因（照明的变化，背景的变化，其他运动的物体等），不能保证完美的测量结果，因此需要一种过滤测量结果的方法，以对真实轨迹进行最佳估算。 卡尔曼滤波器的作用是使用一个模型来预测该模型成立的情况下的下一个位置，然后将该估计值与您传递的实际测量值进行比较。实际测量值与预测和噪声特征结合使用，从而形成最终位置估计并更新噪声特征（度量与模型有多少差异的度量）。 卡尔曼滤波器技术背景：卡尔曼滤波器使用系统的动力学模型（例如运动的物理定律），该系统的已知控制输入以及多次顺序测量（例如来自传感器的测量）来估算系统的变化量（其状态）优于单独使用任一测量获得的估算值。 这样，它是一种常见的传感器融合和数据融合算法。 基于模型的所有测量和计算在某种程度上都是估计值。 嘈杂的传感器数据，描述系统变化方式的方程式的近似值以及未考虑在内的外部因素，都会为系统状态的推断值