OpenCV卡尔曼滤波（Kalman Filter）详细注释以及#include "cvx_defs.h"的问题

//本代码是关于learning OpenCV 394页的代码写的注释（前提：我买的书不是盗版的话。。。。）

#include "cv.h"

#include "highgui.h"

#include "math.h"

#define phi2xy(mat)                                                  \

  cvPoint( cvRound(img->width/2 + img->width/3*cos(mat->data.fl[0])),\

    cvRound( img->height/2 - img->width/3*sin(mat->data.fl[0])) )

//注释下， 作者指定圆心在图片width/2, height/2处，  圆周运动半径是width/3

using namespace cv;

//我们从main函数开始解析，去除了#include "cvx_defs.h"...我试了在vs2015与qt5.6和qt.5.9上由两个人分别配置的opencv2.4.9

//和2.4.13以及。3.1.0的环境，都没有这个头文件，网上居然说有。。。。我不知道是我太菜还是他们直接贴代码。。跪求配置出来的人贴图

int main()

{

      //创建卡尔曼滤波对象，窗口，随机数生成器

    cvNamedWindow("Boss Kalman",1);

    CvRandState rng;  //创建生成随机数的结构体

//    typedef struct CvRandState

//   {

//   CvRNG state;   //64位无符号整数

//   int disttype;

//   CvScalar param[2];

//   }

//   CvRandState;

    cvRandInit(&rng,0,1,-1,CV_RAND_UNI);

    //CvRandState结构，随机分布下限，随机分布上限，时间种子，可以用-1代替，也可以用getTickCount 代替

    IplImage  *img=cvCreateImage(cvSize(500,500),8,3);   //长宽500，8位，三通道

    CvKalman *kalman=cvCreateKalman(2,1,0);

    //状态变量维数2，测量值维数1,控制维数0，

    //空间分配完毕，接下来我们为状态x_k,过程噪声w_k,测量值z_k，传递矩阵F创建矩阵

    //公式如下 Ⅰ，x_k^-=Fx_(k-1)+Bu_(k-1)+w_k

    //注释：这里Bu_(k-1)项忽略，因为传入的控制维数为0，F是2x2矩阵，因为状态变量维数为2（即右侧的x_(k-1)是2x1的矩阵），分别是角度位置和角度。

    //自然过程噪声也应该是2x1的矩阵，x_k^-（先验估计）计算出后，带入下列公式

    //Ⅱ x_k=x_k^-+K_k(z_k^-+H_k*x_k^-)

    //P_k=(I-K_k*H_k)P_k

    //初始化操作

    //x_k 为[角度位置(phi),角速度（delta_phi)]^T

    //传递矩阵即为：[(1,dt),[0,1]],F*x_k相乘即为[(phi+velocity*dt),(velocity)],线代知识，哈哈

    CvMat *x_k=cvCreateMat(2,1,CV_32FC1);

    cvRandSetRange(&rng,0,0.1,0);

    //rng_state,生成的随机数下界，生成的随机数上界

    //index

    //The 0-based index of dimension/channel for which the parameter are changed,

    //-1 means changing the parameters for all dimensions.

    rng.disttype=CV_RAND_NORMAL;  //设为正态分布

    cvRand(&rng,x_k);  //将x_k的数据随机化

    CvMat *w_k=cvCreateMat(2,1,CV_32FC1);

    //测量数据，只有角度位置

    CvMat *z_k=cvCreateMat(1,1,CV_32FC1);

    cvZero(z_k);

    //设置传递矩阵

    const float F[]={1,1,0,1};

    memcpy(kalman->transition_matrix->data.fl,F,sizeof(F));

    //初始化kalman的其他参数

    cvSetIdentity(kalman->measurement_matrix,cvRealScalar(1));

    //初始化测试协方差矩阵

    cvSetIdentity(kalman->process_noise_cov,cvRealScalar(1e-5));

    //初始过程协方差矩阵

    cvSetIdentity(kalman->measurement_noise_cov,cvRealScalar(1e-1));

    //初始测量噪音协方差矩阵

    cvSetIdentity(kalman->error_cov_post,cvRealScalar(1));

    //测量误差矩阵，v_k.

    cvRand(&rng,kalman->state_post);

    //初始化纠正后的矩阵

    //开始卡尔曼学习

    while(1)

    {

      //估计点的位置

        const CvMat *y_k=cvKalmanPredict(kalman,0);

        //产生测量值

        cvRandSetRange(&rng,0,sqrt(kalman->measurement_matrix->data.fl[0]),0);

        //这个数大概在0到0.6之间

        cvRand(&rng,z_k);//这里是误差v_k...原书作者真是骚气

        cvMatMulAdd(kalman->measurement_matrix,x_k,z_k,z_k);

       //将src1*src2+src3=dst4

        //z_k=H*x_k+v_k

        cvZero(img);

        //画画

        cvZero(img);

        //观测值，标记为红色

        cvCircle(img,phi2xy(z_k),6,cvScalar(0,0,255));

        //预测值  //标记为蓝色

        cvCircle(img,phi2xy(y_k),4,cvScalar(255,0,0));

        //纠正值(前一次的)  //标记为绿色

        cvCircle(img,phi2xy(x_k),8,cvScalar(0,255,0));

        cvShowImage("Boss Kalman",img);

        //下面开始调整卡尔曼滤波

        //只需要传入观测值即可

        cvKalmanCorrect(kalman,z_k);

        //运用传递矩阵F算出下次的x_k的值

        cvRandSetRange(&rng,0,sqrt(kalman->process_noise_cov->data.fl[0]),0);

        cvRand(&rng,w_k);

        //w_k大概在0到10的-3次方之间

        cvMatMulAdd(kalman->transition_matrix,x_k,w_k,x_k);

        //就是那个著名的公式：，x_k^-=Fx_(k-1)+Bu_(k-1)+w_k

        //即F*x_k+w_k=x_k

        if(cvWaitKey(40)==27)

            break;

    }

        return 0;

}

//程序开始后我们会看到绿圈渐渐趋于稳定，并且绿圈总是滞后与篮圈一点，因为是上一次的啦，不过它们都渐渐趋于稳定