目标跟踪和碰撞时间估计 这是Udacity传感器融合纳米度的第二个项目。 我融合了来自KITTI数据集的相机和LiDAR测量值，以检测，跟踪3D空间中的物体并估算碰撞时间。 首先，我用YOLOv3处理图像以检测和分类对象。 下图显示了结果。 基于YOLOv3发现的边界框，我开发了一种通过关键点对应关系随时间跟踪3D对象的方法。 接下来，我使用了两种不同的方法来计算碰撞时间（TTC），分别是基于LiDAR和基于相机的TTC。 环境的结构由主要讲师Andreas Haja构建。 基于LiDAR的TTC 我通过使用齐次坐标将前车的3D LiDAR点投影到2D图像平面中。 投影如下图所示。接下来，我将3D LiDAR点分布到相应的边界框。 最后，我根据不同帧的对应边界框中最接近的3D LiDAR点计算了TTC。 基于摄像头的TTC 我使用检测器/描述符的各种组合来找到每个图像中的关键点，并在

这不是一次简单的机器视觉项目课程，课程中把很多理论性极强的知识点进行了应用，让本身很晦涩的知识点变得简单易用，这才是课程的精华之处。因为在时下也有很多智能识别的项目，而本次的项目的不同之处就在于它将这些很多关联技术都应用在其中，适合从事深度学习和机器视觉的同学们，加深理解。

基于EKF的雷达与红外数据融合，通过状态向量融合与量测融合两种方法对多目标进行跟踪-EKF-based data fusion and infrared radar, through state vector fusion and measurement fusion of two methods for multi-target tracking

对于带未知互协方差的两传感器系统, 提出一种协方差交叉(CI) 融合鲁棒稳态Kalman 滤波器, 它关于未知
互协方差具有鲁棒性. 严格证明了该滤波器的实际精度高于每个局部滤波器的精度, 但低于带已知互协方差的最优
融合Kalman 滤波器的精度. 基于协方差椭圆给出了精度关系的几何解释. 进一步将上述结果推广到一般多传感器情
形. 一个跟踪系统的Monte-Carlo 仿真例子表明, 其实际精度接近于带已知互协方差的最优融合器的精度.

针对多传感器融合系统的非线性和不确定性，将小波分析与神经网络相结合，提出一种基于小波神经网络的多传感器自适应融合算法.融合系统包括扩展卡尔曼滤波器、小波神经网络、融合知识库以及航迹融合算法.该算法以分布式融合结构为基础，利用环境信息理论和测量方差归一化方法构建小波神经网络，并且通过数值样本训练小波神经网络，使其在融合过程中实时估计各传感器的信任度，再由融合知识库根据各传感器信任度来选择适合的航迹融合算法，最终得到全局状态估计.实验结果表明，提出的融合算法可以根据环境变化在线自适应融合来自多传感器的测量值，

雷达数据处理精典书籍，讨论雷达网系统，计算机模拟及应用，介绍了空中交通管制系统，海上监视系统，防御系统等应用案例。

【图像融合】红外与可见光的融合与配准算法matlab源码.md

ProjectPacific给vSphere增加了一个新的控制平面，使用户可以用Kubernetes管理vSphere。对于开发人员来说，ProjectPacific就像是一个增强的Kubernetes集群，可以使用Kubernetes声明式语法来管理虚拟机、磁盘和网络等资源。对于IT管理员来说，ProjectPacific仍旧是vSphere，但是添加了以应用为边界的整体管理的能力，而不是单独管理许多个独立的组成应用的虚拟机或者容器。ProjectPacific可以利用企业现有的SDDC投资、人员技能和工具，加速vSphere平台上现代化应用的开发和运营。在企业环境中，现代化应用通常是由很多

近年来，恶意软件呈现出爆发式增长势头，新型恶意样本携带变异性和多态性，通过多态、加壳、混淆等方式规避传统恶意代码检测方法。基于大规模恶意样本，设计了一种安全、高效的恶意软件分类的方法，通过提取可执行文件字节视图、汇编视图、PE 视图3个方面的静态特征，并利用特征融合和分类器集成学习2种方式，提高模型的泛化能力，实现了特征与分类器之间的互补，实验证明，在样本上取得了稳定的F1-score（93.56%）。

为了提高电子商务推荐系统的性能，提出了考虑可信度的基于时效性的用户-项目-属性-标签四部图模型， 并针对该模型提出了一种新的推荐算法—融合可信度和时效标签的商品推荐算法．该模型算法改善新项目的冷启动问题；提出了基于评分信息的、基于项目属性的和基于用户时效标签的3种个性化预测评分方法，将这3种评 估方法融合，通过调节参数 α ， β 和 γ 平衡因子，判断这3种评估方法的影响因素权值，从而提高推荐的准确度．结果 表明该推荐算法既有较高的准确度，也有较高的新颖度，并且在某种程度上有效地处理了新项目推荐的冷启动问题。