簡單來說，卡爾曼濾波器的實現是一個迭代過程，使用上一次的結果預測當前的值，同時使用觀測值修正當前值，得到最優結果。
幾個重要的公式如下：
這裏主要是參考一篇論文：Fully Automatic, Real-Time Vehicle Tracking for Surveillance Video，分析其中的卡爾曼濾波器的實現。
這裏估計值x是十維的向量，考慮兩幀的信息就可以得到包括加速度在內的初始值，之後交由卡爾曼濾波器自己迭代更新。
y是觀測值（在論文中是z），由檢測結果、背景切割、LK光流法得到，用於修正估計值x。
矩陣F是由相鄰幀之間的運動規律得到，例如當前幀的位置和速度的值可以由以下公式得到：
矩陣H用來將x轉化爲y的形式，即各元素的含義相同，維數相同。
矩陣Q是噪聲協方差，論文中是對角線上元素爲10^-5的矩陣。
矩陣∑（論文中爲P）的初始值爲單位矩陣，之後由公式迭代更新。
矩陣R也爲噪聲協方差，論文中是對角線上元素爲10^-1的矩陣。
K是濾波增益陣，它首先權衡預測狀態協方差矩陣 Σ 和觀測值矩陣R的大小，並以此來覺得我們是更傾向於相信預測模型還是詳細觀測模型。如果相信預測模型多一點，那麼這個殘差的權重就會小一點。反之亦然，如果相信觀察模型多一點，這個殘差的權重就會大一點。不僅如此，濾波增益陣還負責把殘差的表現形式從觀測域轉換到了狀態域。例如本題中觀測值 Z 僅僅是一個一維的向量，狀態 x 是一個二維的向量。所以在實際應用中，觀測值與狀態值所採用的描述特徵或者單位都有可能不同，顯然直接用觀測值的殘差去更新狀態值是不合理的。而利用卡爾曼係數，我們就可以完成這種轉換。例如，在小車運動這個例子中，我們只觀察到了汽車的位置，但K裏面已經包含了協方差矩陣P的信息（P裏面就給出了速度和位置的相關性），所以它利用速度和位置這兩個維度的相關性，從位置的殘差中推算出了速度的殘差。從而讓我們可以對狀態值 x 的兩個維度同時進行修正。