LPC_MOT 这是论文“学习用于多对象跟踪的提案分类器”的代码 在2021年IEEE计算机视觉和模式识别会议（CVPR）上发表的论文。 纸张： 注意：这不是最终版本。 BibTex @inproceedings{dai2021LPC, title={Learning a Proposal Classifier for Multiple Object tracking}, author={Dai, Peng and Weng, Renliang and Choi, Wongun and Zhang, Changshui and He, Zhangping and Ding, Wei} booktitle=IEEE Conference on Computer Vision and Pattern Recognition (CVPR), year=2021 } 用法

基于卡尔曼滤波定位算法 matlab程序 .tar.rar

最优状态估计 卡尔曼，H∞及非线性滤波（中文）最优状态估计 卡尔曼最优状态估计 卡尔曼最优状态估计 卡尔曼最优状态估计 卡尔曼

MATLAB exchange上的基于粒子滤波的目标跟踪代码，

Para_cv1为初始化参数(见博客另一个文件) KF: 包括离散时间卡尔曼滤波 连续时间卡尔曼滤波 混合时间卡尔曼滤波 相较于simulink集成的KF模块，本模块简洁，容易后期修改

本教程的目的是通过一个简单的例子来说明卡尔曼滤波器的使用。 问题：预测移动列车 2 秒前的位置和速度，在前 10 秒内对其位置进行噪声测量（每秒 10 个样本）。 真实情况：火车最初位于点 x = 0 并沿 X 轴以恒定速度 V = 10m/sec 移动，因此火车的运动方程为 X = X0 + V*t。 很容易看出火车在 12 秒后的位置将是 x = 120m，这就是我们将尝试找到的。 方法：我们每 dt = 0.1 秒测量（采样）火车的位置。 但是，由于设备不完善、天气等原因，我们的测量结果有噪声，因此从 2 个连续位置测量值（请记住，我们仅测量位置）得出的瞬时速度是不准确的。 我们将使用卡尔曼滤波器，因为我们需要对速度进行准确和平滑的估计，以便预测未来列车的位置。 我们假设测量噪声呈正态分布，均值为 0，标准差为 SIGMA

在各种噪声强度下考虑使用离散时间卡尔曼滤波器在 2D 平面中进行目标跟踪。

电子-无迹卡尔曼滤波UKF的应用比较分析.pdf,综合电子技术四轴飞行器|飞控

使用Python-OpenCv实现质心跟踪，详见文章：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122547436?spm=1001.2014.3001.5501

带光流的SORT 扩展SORT的卡尔曼滤波器测量模型，以添加从“光流”中得出的速度分量。 这是我与德国航空航天中心合作完成的计算机科学学士学位论文的一部分。 尽管不用于行人跟踪，但可以评估该方法并将其与数据集一起使用。 基本思想可以概括为： 以边界框的形式获取感兴趣的区域，并检测该区域中的特征点。 计算检测到的特征点到框之前的光通量，以提供速度。 根据最低的马氏距离选择更新速度。 使用检测和/或速度更新轨道的卡尔曼滤波器。 为了检测特征点，我使用OpenCV ，稀疏光流的计算是通过OpenCV稳健局部光流（RLOF）的来完成的。 此实现在具有64GB RAM的AMD Ryzen7 3700X的数据集上以〜50FPS的速度运行，每个检测最多具有50个特征点，RLOF的设置为： useIlluminationModel = false ; useInitialFlow = f