搜索资源列表
jiyuIMMjidongmubiaodegengzhousuanfa
- 机动目标的跟踪问题一直是人们研究的重点，实现机动目标精确跟踪，首要解决的问题就是使所建立的目标运动模型与实际的目标运动模型匹配。目前常用的有多模型(MM)，交互式多模型(IMM)，切换模型等。多模型方法就是对一组具有不同机动模型分别进行Kalman滤波，最终的参数估计是各滤波器估计值的加权和；在多模型基础上，Shalom提出了交互式多模型方法，这一方法对无序目标的机动检测，显示了更好的鲁棒性和跟踪的稳定性；切换模型则是分别建立机动和非机动运动模型，利用机动检测实现在这两个模型之间的切换。一般来说
objecttrackingbasedonparticleandmeanshift
- 本文介绍的是基于粒子滤波和均值偏移算法的目标跟踪.结合创新的算法克服了两种算法各自的缺陷,鲁棒性和实时性得到了很大的提高.
Tobjjecttrackh
- 本文介绍的是一种基于粒子滤波与均值偏移算法的目标跟踪.结合创新的的算法克服了两种算法各自的缺陷，鲁棒性与实时性的到了非常大的提高. -This article describes a particle filter and mean shift algorithm-based target tracking. Combination of innovative algorithms to overcome the defects of the two algorithms, the robu
fingjei_V1.6
- 鲁棒性好，性能优越，滤波求和方式实现宽带波束形成，基于matlab平台实现。- Robustness, superior performance, Filtering summation way broadband beamforming, Based on matlab platform.
Kalman filtering
- Kalman filtering，卡尔曼滤波，本人用于智能车平衡组的角度滤波，滤波效果可观，鲁棒性强，调试时可观察波形来调整参数。(Kalman, filtering, Calman filtering, I used for intelligent vehicle balance group angle filtering, filtering effect is considerable, robustness, debugging can observe the waveform to a