**Kalman 滤波器**是一种经典的状态估计算法，广泛用于动态系统中的目标跟踪任务。在单目标场景下，它通过预测和更新的迭代过程，实现对目标状态的精确估计。

Kalman 滤波基于线性系统模型，假设系统噪声和观测噪声服从高斯分布。通过历史状态与当前观测的结合，输出对真实状态的最优估计。

在人体跟踪任务中，Kalman 滤波器可利用目标的速度、加速度等物理参数预测下一帧位置。其主要流程包括预测目标状态与更新估计误差协方差矩阵。

MATLAB是实现 Kalman 滤波的理想环境。其强大的矩阵计算与可视化能力，使状态转移模型与观测模型的实现更加高效。

状态模型定义目标的运动方式，例如线性平移或角度旋转。测量模型则传感器如何捕捉目标信息，如图像中的像素位置或骨架节点坐标。

预测步骤通过状态转移方程推断目标在下一帧的位置。更新步骤在获取新观测后，使用Kalman 增益修正预测结果，减少误差。

协方差矩阵量化状态与观测的不确定性。初始化过程对算法性能影响显著，需合理设置初始状态估计与误差矩阵。

参考项目文件“kalman(人体跟踪).zip”，包含完整的 MATLAB 实现。相关技术在 基于 CV 模型的 Kalman 滤波跟踪 中也有详细，展示了滤波器在视觉场景中的应用。

此外，可结合多假设追踪（MHT）或概率数据关联（PDA）等策略，进一步增强系统对目标遮挡或短暂丢失的鲁棒性。