Pertama, Anda harus mengasumsikan model gerak. Katakanlah Anda ingin melacak bola yang melayang di udara. Bola memiliki akselerasi ke bawah karena gravitasi 9,8 m / s ^ 2. Jadi dalam hal ini model gerakan percepatan konstan sesuai.
Di bawah model ini, keadaan Anda adalah posisi, kecepatan, dan percepatan. Dengan status sebelumnya, Anda dapat dengan mudah memprediksi kondisi selanjutnya.
Anda juga memiliki gagasan deteksi. Anda memiliki video dari bola yang bergerak, dan Anda entah bagaimana harus mendeteksi bola di setiap bingkai video (misalnya dengan menggunakan pengurangan latar belakang).
Deteksi Anda berisik. Juga, gerakan bola tidak persis sesuai dengan model percepatan konstan karena hambatan udara, angin, sinar kosmik, dll. Filter Kalman membutuhkan dua matriks yang menggambarkan ini: satu adalah kovarians dari kebisingan pengukuran (deteksi Anda tidak akurat), dan satu untuk kovarians dari kebisingan proses (bagaimana gerakan bola menyimpang dari model yang telah Anda tentukan).
Jika Anda melacak satu objek, maka filter Kalman memungkinkan Anda memuluskan beberapa kebisingan, dan juga memprediksi di mana objek tersebut saat deteksi hilang (mis. Jika objek terhambat). Berikut adalah contoh pelacakan objek tunggal dengan filter Kalman menggunakan Toolbox Sistem Visi Komputer untuk MATLAB.
Jika Anda melacak beberapa objek, maka prediksi filter Kalman memungkinkan Anda memutuskan deteksi mana yang cocok dengan objek mana. Cara yang baik untuk melakukannya adalah dengan menggunakan log kemungkinan deteksi mengingat kesalahan kovarian prediksi. Berikut adalah contoh pelacakan beberapa objek dengan filter Kalman .