粒子滤波跟踪

考虑到处理非线性非高斯问题的粒子滤波方法在鲁棒性和速度方面的缺点,利用meanshift算法找到后验概率的局部最优,用构成新的粒子集合来确定目标的最终位置,在不改变粒子滤波优点的同时提高了跟踪的速度。

对运动目标(如船、飞行器等)的跟踪,主要使用雷达跟踪系统。在实际处理数据时,需要使用状态空间表示法对过程建模。在雷达跟踪系统中,目标位置的测量值是在与传感器位置相关的极坐标系下得到的。因此,雷达目标跟

针对多个信噪比相差较大时容易发生的目标漏检问题,提出了一种改进的多目标双层粒子滤波检测前跟踪算法(IM-PF-TBD)。算法采用双层粒子滤波结构,在目标检测层中,采用锦标赛选择方法对检测粒子群进行重采

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布。将此改进粒子滤波算法在“当前”统计模型框架下进行机动目标

该算法实现基于粒子滤波的检测前跟踪算法，利用该算法可实现雷达弱小目标检测跟踪。检测前跟踪算法是指对雷达数据不进行CFAR，在检测的同时进行跟踪。

包含粒子滤波算法原理及目标跟踪的例程,多个程序

一个基于HoG特征和粒子滤波目标跟踪代码：在ivt的基础上，加入了自己的在线更新机制有在线学习功能。该算法有以下主要组成：1、目标外观用多模版的线性组合来表示，组合用最小二乘的方法来求解，文件中有公式

关于粒子滤波的几篇经典,主要侧重于导航与跟踪,是十分不错的参考资料

基于煤矿井下复杂环境,无线传感器网络节点能量有限且易于布放的特点,提出了一种面向煤矿井下改进分布式粒子滤波目标跟踪算法。在动态分簇的基础上利用粒子滤波对目标跟踪。仿真结果表明,与传统分簇算法比较,改进

本文将粒子滤波与基于随机有限集的概率假设密度(PHD)方法相结合，研究了基粒子滤波的于PHD多目标跟踪方法。