给Claude装上长期记忆：从原生Memory到MCP记忆服务的完整方案
2026/10/28 20:01:16
卡尔曼滤波轨迹预测过程
源码：deep_sort/sort/kalman_filter.py。
本文按代码顺序、用实际数字逐步推算predict（预测）、project（投影）、update（修正）、initiate（建档）四个函数，
最后是 DeepSORT 级联匹配的核心——gating_distance（马氏距离门控）。所有数字均用本工程源码实际运行验证过。
调用链（谁在调这些函数）：
DeepSort.update() # deep_sort.py 每帧入口 ├─ self.tracker.predict() # 预测：先猜这一帧目标在哪 │ └─ for track in self.tracks: # Tracker 逐条轨迹循环（没有批量版） │ track.predict(self.kf) │ └─ kf.predict(mean, covariance) # ← 本文一 ├─ self.tracker.update(detections) # 匹配 + 修正 │ ├─ linear_assignment.gate_cost_matrix # ← 本文五（内部调 kf.gating_distance） │ ├─ track.update(kf, detection) │ │ └─ kf.update(mean, cov, detection.to_xyah()) # ← 本文三（经 project） │ └─ self.kf.initiate(detection.to_xyah()) # 未匹配检测建新轨迹 ← 本文四公式与符号总表
| 符号 | 代码里的真身 | 是什么 | 从哪来 |
|---|---|---|---|
| mean | 参数mean | 状态均值（8 维） | 轨迹上一帧的 mean（initiate 建档时初始化） |
| cov（P） | 参数covariance | 状态协方差（8×8），对角线是各分量的不确定度 | 轨迹上一帧的 covariance |
| F | self._motion_mat | 状态转移矩阵（8×8），匀速模型 | __init__构造：单位阵，右上 4×4 填 dt=1 |
| Q | 局部变量motion_cov | 过程噪声协方差（8×8 对角阵），“匀速假设本身的误差预算” | predict 内部用两个噪声权重 × mean[3] 现算 |
| h | mean[3] | 这条轨迹的框高（像素），不是固定值，每条轨迹各自取 | 状态向量第 4 个分量 |
_std_weight_position | 类属性 | 位置噪声权重 = 1/20 | __init__写死 |
_std_weight_velocity | 类属性 | 速度噪声权重 = 1/160 | __init__写死 |
| H | self._update_mat | 观测矩阵（4×8），只取前 4 维 | __init__构造 |
| R | innovation_cov（project 内局部变量） | 观测噪声（4×4 对角阵），检测框自身的不确定性 | project 内部用噪声权重 × mean[3] 现算 |
| mean_new | 返回的mean | 外推后的状态均值（8 维） | F · mean 算出 |
| cov_new（P’） | 返回的covariance | 外推后的协方差（不确定性变大） | F · cov · Fᵀ + Q 算出 |
本文三个核心公式：
predict: mean_new = F · mean （位置 = 位置 + 速度×1 帧，速度不变） cov_new = F · cov · Fᵀ + Q （不确定性传播：变大） project: z_mean = H · mean （8 维状态 → 4 维观测空间） S = H · cov · Hᵀ + R （观测空间的协方差） update: mean_new = mean + K · (measurement − H · mean) cov_new = cov − K · H · cov （本工程写法，与 cov − K·S·Kᵀ 恒等）一、predict（单条轨迹）实际推算
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
predict | 预测步：按匀速模型把状态外推到下一帧 | mean: 上一帧状态均值（8 维 ndarray）；covariance: 上一帧协方差（8×8 ndarray） | (mean, covariance)：外推后的均值与协方差（不确定性变大） |
输入（举例）
mean = [100, 50, 1.5, 40, 8, 0, 0, 0] ← x=100, y=50, a=1.5, h=40, vx=8, vy=0, va=0, vh=0 cov = [[16, 0, 0, 0, 0, 0, 0, 0], [0, 18, 0, 0, 0, 0, 0, 0], [0, 0, 0.5, 0, 0, 0, 0, 0], [0, 0, 0, 14, 0, 0, 0, 0], [0, 0, 0, 0, 6, 0, 0, 0], [0, 0, 0, 0, 0, 5, 0, 0], [0, 0, 0, 0, 0, 0, 0.3, 0], [0, 0, 0, 0, 0, 0, 0, 7]] ← 8×8 对角阵（演示值），各分量方差不同、交叉项 0第 1 步：构造 std_pos（位置类 4 个分量的噪声标准差）
std_pos=[self._std_weight_position*mean[3],# x 的噪声 = h/20self._std_weight_position*mean[3],# y 的噪声 = h/201e-2,# a 的噪声 = 固定 0.01（比例无量纲，不随 h 缩放）self._std_weight_position*mean[3]]# h 的噪声 = h/20代入 h = mean[3] = 40：
std_pos = [40/20, 40/20, 0.01, 40/20] = [2, 2, 0.01, 2]第 2 步：构造 std_vel（速度类 4 个分量的噪声标准差）
std_vel=[self._std_weight_velocity*mean[3],# vx 的噪声 = h/160self._std_weight_velocity*mean[3],# vy 的噪声 = h/1601e-5,# va 的噪声 = 固定 0.00001self._std_weight_velocity*mean[3]]# vh 的噪声 = h/160代入 h = 40：
std_vel = [40/160, 40/160, 0.00001, 40/160] = [0.25, 0.25, 0.00001, 0.25]第 3 步：拼成 Q 矩阵（motion_cov）
motion_cov=np.diag(np.square(np.r_[std_pos,std_vel]))# np.r_ ：把两个 4 元素列表拼成 8 个（顺序 = 状态分量顺序 x,y,a,h,vx,vy,va,vh）# np.square ：标准差 → 方差（平方）# np.diag ：放到 8×8 对角线上Q = diag(2², 2², 0.01², 2², 0.25², 0.25², 0.00001², 0.25²) = diag(4, 4, 0.0001, 4, 0.0625, 0.0625, 0.0000000001, 0.0625)第 4 步：外推 mean
mean=np.dot(self._motion_mat,mean)# F · mean（本工程写法）F（=_motion_mat，__init__构造）右上角的 1 使"位置 + 速度×dt"：
x' = 100 + 8 × 1 = 108 （dt = 1，__init__ 里 ndim, dt = 4, 1. 写死） y' = 50 + 0 × 1 = 50 a' = 1.5 + 0 × 1 = 1.5 h' = 40 + 0 × 1 = 40 vx' = 8, vy' = 0, va' = 0, vh' = 0 （速度不变） mean_new = [108, 50, 1.5, 40, 8, 0, 0, 0]第 5 步：外推 cov
covariance=np.linalg.multi_dot((self._motion_mat,covariance,self._motion_mat.T))+motion_cov# = F · cov · Fᵀ + Qcov 是对角阵时，结果规律简单：新对角线 = 旧对角线(自己) + 旧对角线(对应速度分量) + Q(自己)，位置分量与自己的速度分量之间产生交叉项 = 旧速度方差：
cov_new（x 行）: 16 + 6 + 4 = 26， 交叉项 [x, vx] = 6 cov_new（y 行）: 18 + 5 + 4 = 27， 交叉项 [y, vy] = 5 cov_new（a 行）: 0.5 + 0.3 + 0.0001 ≈ 0.8001，交叉项 [a, va] = 0.3 cov_new（h 行）: 14 + 7 + 4 = 25， 交叉项 [h, vh] = 7 cov_new（速度行）: vx 6+0.0625=6.0625，vy 5.0625，va 0.3，vh 7.0625输出（返回）
mean_new = [108, 50, 1.5, 40, 8, 0, 0, 0] cov_new = [[26, 0, 0, 0, 6, 0, 0, 0 ], [0, 27, 0, 0, 0, 5, 0, 0 ], [0, 0, 0.8001,0, 0, 0, 0.3, 0 ], [0, 0, 0, 25, 0, 0, 0, 7 ], [6, 0, 0, 0, 6.0625, 0, 0, 0 ], [0, 5, 0, 0, 0, 5.0625,0, 0 ], [0, 0, 0.3, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 7, 0, 0, 0, 7.0625]]位置方差变大（16→26、18→27、14→25，外推后更不确定），速度方差基本不变，x-vx、y-vy、a-va、h-vh 之间出现交叉项（位置的不确定性里掺进了速度的不确定性）。
本工程落点：Tracker.predict()用 for 循环对每条轨迹调track.predict(self.kf)（tracker.py:54-60），轨迹内部再调本文的kf.predict，同时age += 1、time_since_update += 1（track.py:116-128）。
二、project（投影到观测空间）
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
project | 把 8 维预测状态投影到 4 维观测空间（检测器只能看到 x、y、a、h 这 4 维），并叠加观测噪声 | mean: 预测均值（8 维 ndarray）；covariance: 预测协方差（8×8 ndarray） | (new_mean, new_cov)：投影后的均值（4 维）与协方差（4×4） |
project 是内部辅助函数，不对外直接调用——update和gating_distance都先用它把状态转到观测空间再算。
公式
new_mean = H · mean new_cov（S） = H · cov · Hᵀ + R| 字母 | 是什么 | 从哪来 |
|---|---|---|
| H | 观测矩阵（4×8），只取前 4 维 | __init__的_update_mat |
| mean | 8 维预测均值 | predict 的输出 |
| cov | 8×8 预测协方差 | predict 的输出 |
| R | 观测噪声（4×4 对角阵），检测框自身的不确定性 | 函数内现算：diag((h/20)², (h/20)², 0.1², (h/20)²) |
| h | 目标框高（像素） | mean[3] |
计算过程（实际数字）
输入（predict 输出的那条轨迹）：
mean = [108, 50, 1.5, 40, 8, 0, 0, 0] cov = [[26, 0, 0, 0, 6, 0, 0, 0 ], [0, 27, 0, 0, 0, 5, 0, 0 ], [0, 0, 0.8001,0, 0, 0, 0.3, 0 ], [0, 0, 0, 25, 0, 0, 0, 7 ], [6, 0, 0, 0, 6.0625, 0, 0, 0 ], [0, 5, 0, 0, 0, 5.0625,0, 0 ], [0, 0, 0.3, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 7, 0, 0, 0, 7.0625]]算 R（h = 40）：
std = [40/20, 40/20, 0.1, 40/20] = [2, 2, 0.1, 2] ← 注意 a 的噪声这里是 1e-1（predict 里是 1e-2） R = diag(2², 2², 0.1², 2²) = diag(4, 4, 0.01, 4)投影（H 取前 4 维 = 取 cov 左上 4×4）：
new_mean = H · mean = [108, 50, 1.5, 40] new_cov = H · cov · Hᵀ + R = [[26+4, 0, 0, 0 ], [0, 27+4, 0, 0 ], [0, 0, 0.8001+0.01, 0], [0, 0, 0, 25+4]] = [[30, 0, 0, 0 ], [0, 31, 0, 0 ], [0, 0, 0.8101,0 ], [0, 0, 0, 29 ]]输出：
new_mean = [108, 50, 1.5, 40] ← 4 维 new_cov（S） = [[30, 0, 0, 0 ], ← 4×4 [0, 31, 0, 0 ], [0, 0, 0.8101,0 ], [0, 0, 0, 29 ]]三、update（修正步）
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
update | 修正步：用配对成功的检测框修正预测状态——算卡尔曼增益 K，加权融合预测和检测，输出更准的状态 | mean: 预测均值（8 维 ndarray）；covariance: 预测协方差（8×8 ndarray）；measurement: 检测框[x, y, a, h]（4 维 ndarray） | (mean, covariance)：修正后的均值与协方差（不确定性变小） |
公式
K = cov · Hᵀ · S⁻¹ （卡尔曼增益，8×4，cholesky 求解） innovation = measurement − H · mean （残差：检测框比预测框偏了多少） mean_new = mean + K · innovation cov_new = cov − K · H · cov （本工程代码的写法）
cov − K·H·cov与cov − K·S·Kᵀ两种写法代数恒等（由 K 的定义推出），本工程 kalman_filter.py:186-187 用前者。
| 字母 | 是什么 | 从哪来 |
|---|---|---|
| K | 卡尔曼增益（8×4 矩阵），每个状态分量的修正权重 | 公式算出 |
| S | 投影后的协方差（4×4） | project 的输出 |
| innovation | 残差（4 维），检测框比预测框偏了多少 | 检测框 − 投影预测 |
| measurement | 检测框[x, y, a, h] | 配对成功的检测（Detection.to_xyah() 转换） |
| mean / cov | 8 维预测状态 | predict 的输出 |
计算过程（实际数字）
输入：
mean = [108, 50, 1.5, 40, 8, 0, 0, 0] ← predict 的输出 cov = [[26, 0, 0, 0, 6, 0, 0, 0 ], [0, 27, 0, 0, 0, 5, 0, 0 ], [0, 0, 0.8001,0, 0, 0, 0.3, 0 ], [0, 0, 0, 25, 0, 0, 0, 7 ], [6, 0, 0, 0, 6.0625, 0, 0, 0 ], [0, 5, 0, 0, 0, 5.0625,0, 0 ], [0, 0, 0.3, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 7, 0, 0, 0, 7.0625]] ← predict 的输出 measurement = [108.5, 50.5, 1.5, 41] ← 检测框（检测器说目标在 108.5）project 的输出（上一步算好的）：
H·mean = [108, 50, 1.5, 40] S = [[30, 0, 0, 0 ], [0, 31, 0, 0 ], [0, 0, 0.8101,0 ], [0, 0, 0, 29 ]]算 K（公式带实际数据）：
K = cov · Hᵀ · S⁻¹ = [[26, 0, 0, 0 ] [1/30, 0, 0, 0 ] [0, 27, 0, 0 ] [0, 1/31, 0, 0 ] [0, 0, 0.8001,0 ] · [0, 0, 1/0.8101, 0 ] [0, 0, 0, 25 ] [0, 0, 0, 1/29] [6, 0, 0, 0 ] ← 左边 8×4 = cov·Hᵀ（cov 的前 4 列），右边 4×4 = S⁻¹ [0, 5, 0, 0 ] [0, 0, 0.3, 0 ] [0, 0, 0, 7 ]] = [[26/30, 0, 0, 0 ] [0, 27/31, 0, 0 ] [0, 0, 0.8001/0.8101,0 ] [0, 0, 0, 25/29 ] [6/30, 0, 0, 0 ] [0, 5/31, 0, 0 ] [0, 0, 0.3/0.8101, 0 ] [0, 0, 0, 7/29 ]] = [[0.8667, 0, 0, 0 ] ← 8 行（8 个状态分量）× 4 列（4 个观测分量） [0, 0.8710, 0, 0 ] ← 每行的非零值 = 该分量的修正权重 [0, 0, 0.9877, 0 ] ← a 的权重最大（观测比预测可信） [0, 0, 0, 0.8621] [0.2, 0, 0, 0 ] ← 速度行的小权重：位置残差通过它传导到速度 [0, 0.1613, 0, 0 ] [0, 0, 0.3704, 0 ] [0, 0, 0, 0.2414]]算残差：
innovation = measurement − H·mean = [108.5−108, 50.5−50, 1.5−1.5, 41−40] = [0.5, 0.5, 0, 1]修正 mean（公式带实际数据）：
mean_new = mean + K · innovation = [108, 50, 1.5, 40, 8, 0, 0, 0] + [0.8667×0.5, 0.8710×0.5, 0.9877×0, 0.8621×1, 0.2×0.5, 0.1613×0.5, 0.3704×0, 0.2414×1] = [108, 50, 1.5, 40, 8, 0, 0, 0 ] + [0.4333, 0.4355, 0, 0.8621, 0.1, 0.0806, 0, 0.2414] = [108.4333, 50.4355, 1.5, 40.8621, 8.1, 0.0806, 0, 0.2414]修正 cov（公式带实际数据）：
cov_new = cov − K · H · cov K·H（先算，8×4 · 4×8 → 8×8，每行把自己的权重放回对应的观测列）： = [[0.8667, 0, 0, 0, 0, 0, 0, 0] [0, 0.8710, 0, 0, 0, 0, 0, 0] [0, 0, 0.9877, 0, 0, 0, 0, 0] [0, 0, 0, 0.8621, 0, 0, 0, 0] [0.2, 0, 0, 0, 0, 0, 0, 0] [0, 0.1613, 0, 0, 0, 0, 0, 0] [0, 0, 0.3704, 0, 0, 0, 0, 0] [0, 0, 0, 0.2414, 0, 0, 0, 0]] K·H·cov（再乘 cov，8×8 · 8×8，每行 = 该行的权重 × cov 对应位置那一行的取值）： = [[0.8667×26, 0, 0, 0, 0.8667×6, 0, 0, 0 ] [0, 0.8710×27, 0, 0, 0, 0.8710×5, 0, 0 ] [0, 0, 0.9877×0.8001,0, 0, 0, 0.9877×0.3, 0 ] [0, 0, 0, 0.8621×25, 0, 0, 0, 0.8621×7] [0.2×26, 0, 0, 0, 0.2×6, 0, 0, 0 ] [0, 0.1613×27, 0, 0, 0, 0.1613×5, 0, 0 ] [0, 0, 0.3704×0.8001,0, 0, 0, 0.3704×0.3, 0 ] [0, 0, 0, 0.2414×25, 0, 0, 0, 0.2414×7]] = [[22.5333, 0, 0, 0, 5.2, 0, 0, 0 ] [0, 23.5161,0, 0, 0, 4.3548, 0, 0 ] [0, 0, 0.7902, 0, 0, 0, 0.2963, 0 ] [0, 0, 0, 21.5517,0, 0, 0, 6.0345] [5.2, 0, 0, 0, 1.2, 0, 0, 0 ] [0, 4.3548, 0, 0, 0, 0.8065, 0, 0 ] [0, 0, 0.2963, 0, 0, 0, 0.1111, 0 ] [0, 0, 0, 6.0345, 0, 0, 0, 1.6897]] cov_new = cov − 上面的矩阵 = [[26−22.5333, 0, 0, 0, 6−5.2, 0, 0, 0 ] [0, 27−23.5161, 0, 0, 0, 5−4.3548, 0, 0 ] [0, 0, 0.8001−0.7902, 0, 0, 0, 0.3−0.2963, 0 ] [0, 0, 0, 25−21.5517, 0, 0, 0, 7−6.0345] [6−5.2, 0, 0, 0, 6.0625−1.2, 0, 0, 0 ] [0, 5−4.3548, 0, 0, 0, 5.0625−0.8065,0, 0 ] [0, 0, 0.3−0.2963, 0, 0, 0, 0.3−0.1111, 0 ] [0, 0, 0, 7−6.0345, 0, 0, 0, 7.0625−1.6897]] = [[3.4667, 0, 0, 0, 0.8, 0, 0, 0 ] [0, 3.4839, 0, 0, 0, 0.6452, 0, 0 ] [0, 0, 0.0099, 0, 0, 0, 0.0037, 0 ] [0, 0, 0, 3.4483, 0, 0, 0, 0.9655 ] [0.8, 0, 0, 0, 4.8625, 0, 0, 0 ] [0, 0.6452, 0, 0, 0, 4.2560, 0, 0 ] [0, 0, 0.0037, 0, 0, 0, 0.1889, 0 ] [0, 0, 0, 0.9655, 0, 0, 0, 5.3728 ]]输出：
mean_new = [108.4333, 50.4355, 1.5, 40.8621, 8.1, 0.0806, 0, 0.2414] cov_new = [[3.4667, 0, 0, 0, 0.8, 0, 0, 0 ], [0, 3.4839, 0, 0, 0, 0.6452, 0, 0 ], [0, 0, 0.0099, 0, 0, 0, 0.0037, 0 ], [0, 0, 0, 3.4483, 0, 0, 0, 0.9655], [0.8, 0, 0, 0, 4.8625, 0, 0, 0 ], [0, 0.6452, 0, 0, 0, 4.2560, 0, 0 ], [0, 0, 0.0037, 0, 0, 0, 0.1889, 0 ], [0, 0, 0, 0.9655, 0, 0, 0, 5.3728]]修正后的框中心 (108.4333, 50.4355) 落在预测 108 和检测 108.5 之间（按 0.8667 的权重偏向预测）；方差全面变小（26→3.47、25→3.45，观测吸收了不确定性）。这两个值存回轨迹，下一帧 predict 从它们出发——predict 变大 / update 变小，循环闭环。
本工程落点：Track.update(kf, detection)内部调kf.update(self.mean, self.covariance, detection.to_xyah())（track.py:130-151），同时追加特征、hits+1、time_since_update 清零、hits≥n_init 时转 Confirmed。
四、initiate（建档初始化）
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
initiate | 建档初始化：用建档检测框生成轨迹的初始状态——位置来自检测框，速度置 0（没观测过速度），并给一个初始不确定性（速度方差给得大，位置方差给得小） | measurement: 建档检测框[x, y, a, h]（4 维 ndarray，Detection.to_xyah() 转换来的中心坐标、宽高比、高） | (mean, covariance)：初始均值（8 维 ndarray，速度 4 维全 0）与初始协方差（8×8 对角阵） |
计算过程（实际数字）
输入（检测框 tlwh[30, 40, 50, 100]→ 转 xyah）：
measurement = [55, 90, 0.5, 100] ← x=55, y=90（框中心），a=0.5（宽高比），h=100（框高）第 1 步：拼初始 mean（位置 + 速度）
mean_pos = [55, 90, 0.5, 100] ← 位置 4 维直接用检测框 mean_vel = [0, 0, 0, 0] ← 速度 4 维：没观测过，全置 0 mean = np.r_[mean_pos, mean_vel] ← 拼成 8 维 = [55, 90, 0.5, 100, 0, 0, 0, 0]第 2 步：构造初始 std（8 个分量的噪声标准差，h=100）
std = [ 2 × (1/20) × 100, ← x：2 × h/20 = 10 2 × (1/20) × 100, ← y：10 1e-2, ← a：固定 0.01 2 × (1/20) × 100, ← h：10 10 × (1/160) × 100, ← vx：10 × h/160 = 6.25 10 × (1/160) × 100, ← vy：6.25 1e-5, ← va：固定 0.00001 10 × (1/160) × 100] ← vh：6.25 = [10, 10, 0.01, 10, 6.25, 6.25, 0.00001, 6.25]位置噪声用 2 倍权重、速度噪声用 10 倍权重（比 predict 的 1 倍大）——刚建档时啥都不确定，尤其速度完全没观测过，方差给大，让 update 阶段能快速修正它。
第 3 步：拼初始 covariance（std 平方上对角线）
covariance = diag(10², 10², 0.01², 10², 6.25², 6.25², 0.00001², 6.25²) = diag(100, 100, 0.0001, 100, 39.0625, 39.0625, ~0, 39.0625)输出：
mean = [55, 90, 0.5, 100, 0, 0, 0, 0] covariance = [[100, 0, 0, 0, 0, 0, 0, 0 ], [0, 100, 0, 0, 0, 0, 0, 0 ], [0, 0, 0.0001, 0, 0, 0, 0, 0 ], [0, 0, 0, 100,0, 0, 0, 0 ], [0, 0, 0, 0, 39.0625,0, 0, 0 ], [0, 0, 0, 0, 0, 39.0625,0, 0 ], [0, 0, 0, 0, 0, 0, ~0, 0 ], [0, 0, 0, 0, 0, 0, 0, 39.0625]]本工程落点：Tracker._initiate_track对未匹配检测调self.kf.initiate(detection.to_xyah())（tracker.py:139），返回的 mean/covariance 存进新建的 Track 对象，下一帧 predict 从它们出发。
五、gating_distance（马氏距离门控）
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
gating_distance | 算一条轨迹的预测分布与N 个检测框各自的平方马氏距离，用于级联匹配的运动门控：距离超过卡方阈值的配对判为不可行 | mean: 这条轨迹的 8 维状态均值；covariance: 这条轨迹的 8×8 协方差；measurements: Nx4 检测框矩阵（每行 x, y, a, h）；only_position: 只按中心位置算（默认 False） | 长度 N 的数组，第 i 个元素 = 这条轨迹与第 i 个检测框的平方马氏距离 |
公式
d² = dᵀ · S⁻¹ · d （d = 残差 = 检测框 − 投影后的预测均值；S = H·cov·Hᵀ + R）| 字母 | 是什么 | 从哪来 |
|---|---|---|
| d | 残差（4 维），检测框比预测框偏了多少 | measurements − H·mean |
| S | 投影后的协方差（4×4） | project 的输出（本文二，检测框噪声 R 已叠在里面） |
| d² | 平方马氏距离（标量），一个检测框一个 | 公式算出 |
| measurements | Nx4 检测框矩阵，每行 x, y, a, h | 调用方把 Detection 转 to_xyah() 拼成 |
代码实现（kalman_filter.py:223-230）不直接求 S⁻¹，用 Cholesky 分解代替，推导：
S = L·Lᵀ → S⁻¹ = (L·Lᵀ)⁻¹ = L⁻ᵀ·L⁻¹ d² = dᵀ·S⁻¹·d = dᵀ·L⁻ᵀ·L⁻¹·d = (L⁻¹·d)ᵀ·(L⁻¹·d) = ‖L⁻¹·d‖²mean,covariance=self.project(mean,covariance)# 第 1 步：投影到 4 维观测空间（本文二）cholesky_factor=np.linalg.cholesky(covariance)# L，使 S = L·Lᵀd=measurements-mean# 第 2 步：残差（Nx4）z=scipy.linalg.solve_triangular(# 第 3 步：解方程 L·z = d，得 z = L⁻¹·dcholesky_factor,d.T,lower=True,check_finite=False,overwrite_b=True)squared_maha=np.sum(z*z,axis=0)# 第 4 步：d² = ‖z‖²，每个检测框一个# （only_position=True 时在 cholesky 前把 mean/cov/measurements 都截成前 2 维）S 是对角阵时 L = diag(√S)，z_i = d_i/√S_ii，于是d² = Σ d_i²/S_ii（残差平方除以方差再求和）——下面的手算就用这个形式。
判定阈值（模块顶部的 chi2inv95 表）
卡方分布 0.95 分位数表（kalman_filter.py:11-20）：
| 自由度 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|---|
| 阈值 | 3.8415 | 5.9915 | 7.8147 | 9.4877 | 11.070 | 12.592 | 14.067 | 15.507 | 16.919 |
自由度 = 参与计算的维数：only_position=False（默认）用 4 维（x, y, a, h）→ 阈值9.4877；only_position=True只用 2 维（x, y）→ 阈值 5.9915。d² 小于阈值 ≈ 检测框落在轨迹 95% 的预测范围内。
计算过程（实际数字）
输入（轨迹 = 本文一 predict 之后的那个例子；两个候选检测框）：
mean = [108, 50, 1.5, 40, 8, 0, 0, 0] ← predict 后的状态 cov = [[26, 0, 0, 0, 6, 0, 0, 0 ], [0, 27, 0, 0, 0, 5, 0, 0 ], [0, 0, 0.8001,0, 0, 0, 0.3, 0 ], [0, 0, 0, 25, 0, 0, 0, 7 ], [6, 0, 0, 0, 6.0625, 0, 0, 0 ], [0, 5, 0, 0, 0, 5.0625,0, 0 ], [0, 0, 0.3, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 7, 0, 0, 0, 7.0625]] measurements = [[108.5, 50.5, 1.5, 41], ← 检测1：就在预测位置附近 [130, 60, 1.5, 42]] ← 检测2：中心偏了 22 像素第 1 步：project 投影到观测空间（过程与本文二完全相同，同一组数）：
H·mean = [108, 50, 1.5, 40] S = [[30, 0, 0, 0 ], [0, 31, 0, 0 ], [0, 0, 0.8101,0 ], [0, 0, 0, 29 ]]第 2 步：算两个检测框的残差 d = 检测框 − H·mean：
检测1: d = [108.5−108, 50.5−50, 1.5−1.5, 41−40] = [0.5, 0.5, 0, 1] 检测2: d = [130−108, 60−50, 1.5−1.5, 42−40] = [22, 10, 0, 2]第 3 步：d² = Σ 残差² / 方差（S 对角线）：
检测1: d² = 0.5²/30 + 0.5²/31 + 0²/0.8101 + 1²/29 = 0.0083 + 0.0081 + 0 + 0.0345 = 0.0509 检测2: d² = 22²/30 + 10²/31 + 0²/0.8101 + 2²/29 = 16.1333 + 3.2258 + 0 + 0.1379 = 19.4971第 4 步：与阈值 9.4877 比较：
d² = [0.0509, 19.4971] [0.0509 < 9.4877, 19.4971 > 9.4877] [进门, 拒绝] ← 检测2 不可能是这条轨迹的输出：[0.0509, 19.4971]（长度 2 的数组，第 i 个元素 = 这条轨迹与第 i 个检测框的平方马氏距离；本例检测1 进门、检测2 被拒）。
| 描述 | 链接 |
|---|---|
| 项目 | 基于 Ultralytics + DeepSORT 多目标跟踪与改进 |
| 往期回顾 | 链接 |
| 数据集 | 数据集汇总 |
| 软件开发 | 深度学习软件开发汇总 |