传统的mean-shift 跟踪算法不能跟踪目标的旋转、缩放运动, 且常常因此造成定位不准. 鉴于此, 将尺度不变 特征变换(SIFT) 特征检测融入到mean-shift 跟踪过程, 提出SIFT 特征点的尺度变化与目标的尺度变化成正比, 特征 点主方向变化与目标旋转角度一致, 给出了基于SIFT 特征的自适应目标尺度、方向计算方法, 且利用带方向、可变 带宽的椭圆核改进传统的mean-shift 跟踪方法. 实验表明, 该算法能够较好地跟踪目标的旋转、缩放运动, 定位也更 准确.

用于计算系统状态的卡尔曼最优增益和最小均方误差 (MMSE) 估计的代码。 一阶和二阶模型的示例。 可轻松适应其他系统和输入，非常适合学习应用。

针对Camshift跟踪算法无法适应目标的高速运动、背景复杂和遮挡的情况，提出了一种改进算法。将Kim算法和卡尔曼滤波状态预测引入，用Kim算法提取运动目标区域信息，根据以往目标位置点的信息对当前帧中目标的可能位置预测，解决了传统Camshift算法的一些局限。实验表明改进算法在目标高速运动、遮挡情况下，仍能进行有效跟踪。

本程序是多特征融合的目标跟踪程序，基于粒子滤波框架，融合边缘和TED特征的跟踪算法，可以运行程序，适合用于对多特征融合的学习

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不 确知的情况下仍具有较强的鲁棒性。

卡尔曼滤波器原理实现： X(k|k-1) = AX(k-1|k-1) + BU(k) P(k|k-1) = AP(k-1|k-1)A.T + Q K(k) = P(k|k-1)H.T / (HP(k|k-1)H.T + R) X(k|k) = X(k|k-1) + K(k)[Z(k) - HX(k|k-1)] P(k|k) = [1 - K(k)H]P(k|k-1) 第1步：计算中间量X(k|k-1)、P(k|k-1)。 第2步：计算卡尔曼增益K(k)。 第3步：计算当前时刻的状态最佳估计：X(k|k)、P(k|k)。

介绍多目标跟踪算法，包括（1）多目标跟踪处理流程，（2）数据关联算法；（3）联合概率数据互联算法

跟踪具有特定颜色的目标。可处理视频或实时摄像头输入。想跟踪的颜色通过设置参数Upper和Lower调节，默认为红色。

这是不敏卡尔曼的示例代码，可运行； 不敏卡尔曼滤波器通过sigma采样点对非线性进行近似，效果优于扩展卡尔曼滤波器，是目前常用滤波器之一

无人机目标跟踪-附件资源