无迹卡尔曼滤波（UKF）是重要的非线性滤波方法。 无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算，在不对非线性方程线性近似的条件下，达到线性卡尔曼滤波器的滤波性能。

这是几篇关于meanshift算法思想是怎么提出来的，以及以后在图像处理，目标跟踪等方面的应用。作者深刻介绍了算法的思想，并配有仿真图，为学习好此算法打下坚实的基础，同时是每一个学习meanshift算法的人所必须了解和深刻认识的论文。

机器学习-线性动态系统-卡尔曼滤波.pdf

【卡尔曼滤波】基于EKF、UPF、PF、EPF、UPF多种卡尔曼滤波实现航迹滤波跟踪matlab源码.zip

数据融合matlab代码ECE767 多目标跟踪和多传感器信息融合 作业1 在以下情况下实现最近邻居EKFor CMKFtracker： 目标： 使用恒速模型移动单个目标。 传感器： 位置：[1000 500]，固定（即速度= [0 0]）测量：范围和方位角误差标准偏差：范围= 10 m，方位角= 0.01 rad采样时间= 2s Pd = 0.9错误警报密度（λ）= 1e-4覆盖范围：[0至10000] m方位角[-pi至pi] 追踪器： 假设音轨已经初始化。 使用简单的最近邻居数据关联（获取最接近的度量值）使用EKF或CMKF过滤 绩效评估： 评估RMSE在报告中， 请包括以下内容： Matlab代码图显示真相和估计轨迹图显示RMSE 截止日期：2019年10月17日

多假mhtmat算法实验室代码MCMCDA 该存储库包含论文“用于多目标跟踪的马尔可夫链蒙特卡罗数据协会”的 matlab 代码。 这段代码是从网上复制过来的，根据论文进行了小幅修改。 MCMCDA 是一种常用的多目标跟踪算法，用于计算机视觉和雷达信号处理。 其性能优于传统的多目标跟踪算法，如JPDA（联合概率数据关联）和MHT（多假设跟踪）。 纸张可在 。

基于卡尔曼滤波的目标跟踪matlab经典程序——快速入门 基于卡尔曼滤波的目标跟踪经典matlab程序源代码，用于2维目标的跟踪，是初学者学习卡尔曼滤波的好教程。深入浅出，易于理解。

行人跟踪使用LiDAR传感器 客观的 利用来自LIDAR测量的传感器数据进行卡尔曼滤波器的行人跟踪。 状态预测 x'= Fx +ν方程为我们进行了这些预测计算。 过程噪声是指预测步骤中的不确定性。 我们假设物体以恒定的速度行进，但实际上，物体可能会加速或减速。 ν〜N（0，Q）符号将过程噪声定义为均值为零且协方差为Q的高斯分布。 当我们在一秒钟后预测位置时，不确定性就会增加。 P'= FPFT + Q表示不确定性的增加。 因为我们的状态向量仅跟踪位置和速度，所以我们将加速度建模为随机噪声。 Q矩阵包含时间Δt，以说明随着时间的流逝，我们对位置和速度的不确定性越来越大。 因此，随着Δt的增加，我们向状态协方差矩阵P添加更多不确定性。 结合先前推导的2D位置和2D速度方程式，我们得到： 由于加速度是未知的，因此我们可以将其添加到噪声分量中，并且该随机噪声将被解析地表示为上面得出的方程

无人机目标检测和跟踪数据集，近一万张，每张图片都是从高分辨率图片中切割出来的，都被切割成了416x416大小，类别名为drone,小目标，标签为txt格式和xml格式，可直接用于YOLO目标检测

1、demo文件夹： YOLOv4目标检测算法针对MVI_40192文件夹数据集的处理效果，比较满意，车辆信息基本都能检测到。 2、road1_demo文件夹： YOLOv4 + DeepSort算法，针对road1.mp4视频数据的目标跟踪、车流量计数效果。人工统计车流量292辆(可能有偏差)，算法统计车流量288辆。 3、road2_demo文件夹： YOLOv4 + DeepSort算法，针对road2.mp4视频数据的目标跟踪、车流量计数效果。人工统计车流量29辆，算法统计车流量29辆。 只要视频流车辆清晰、大小合适、轮廓完整，算法处理的精度挺高。 4、road1_tracking.mp4、road2_tracking.mp4： 由目标跟踪处理结果合成的视频流。 *********************************************************************************************** 1、deepsort文件夹： 含目标跟踪算法源码，包括：卡尔曼滤波、匈牙利匹配、边框类创建、Track类创建、Tracker类创建。 2、ReID文件夹： 含特征提取算法源码，model_data存储着reid网络的结构、权重，feature_extract_model.py用于创建特征提取类。 3、YOLOv4文件夹： 含目标检测算法源码，model_data存储yolov4网络配置、nets + utils用于搭建模型。decode.py用于将检测结果解码。 4、car_predict.py、yolo.py： 用于验证目标检测算法的效果。 5、main.py： 整个项目的运行入口，直接运行main.py，就可以调用YOLOv4+DeepSort，处理视频流信息，完成目标跟踪和车流量统计。