此示例演示如何使用多对象跟踪器跟踪城市环境中的各种无人机 （UAV）。可以使用基于在线提供的建筑物和地形数据的对象创建场景。然后，使用激光雷达和雷达传感器模型生成合成传感器数据。最后，使用各种跟踪算法来估计场景中所有无人机的状态。

针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题，提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征，然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征，最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明，该方法的分类准确率达到82.3%，较FV-SIFT算法在分类准确率上提高了15.4%。

这里还有我写的操作文档 exe打包.docx Bat转换为Exe软件，EXE融合器，innosetup(单文件打包有安装界面)，RAR自解压避免右键解压打包捆绑Fusion工具，加壳工具

用于ROS的通用传感器融合程序包 使用此框架，可以在具有通用ROS节点的C ++库中实现低级传感器融合的估计方法。 实现的方法/算法是： 加权移动平均 移动中位数 卡尔曼滤波 扩展卡尔曼滤波器 无味卡尔曼滤波器 采样重要性重采样（粒子滤波） 安装 这些软件包取决于Eigen3，因此，如果未安装（如果运行catkin_make，则会出现错误），请从。 将目录“ Eigen /”从此归档文件复制到/ usr / include / eigen3就足够了，即无需安装。 目录结构 sf_estimation：分别实现状态估计算法或过滤器的通用低层传感器融合框架。 sf_msgs：包含sf_filter节点可以发布的消息的软件包。 sf_filter：具有配置的ROS节点的源。 复制该文件夹以创建另一个具体的过滤器。 doc：代码文档，示例，教程，故障排除 示例：过滤ROS节点的一些示例配

【图像融合】基于curvelet变换实现图像融合（评价指标）含Matlab源码

针对配电网故障信息出现异常尤其是不可识别异常而导致误判的问题，提出了一种基于网络树状图和改进D-S证据理论的配电网故障定位新方法。该方法的突出优点在于使用多源信息进行故障定位，可避免因单源信息发生异常导致的误判。首先提出了一种新的基于网络树状图的搜索算法，该算法利用配电网故障时产生的故障指示器信息、配变报警信息和电话投诉信息建立相应的网络树状图，并通过搜索网络树状图进行故障初步定位。然后利用改进D-S证据理论将每种故障信息的定位结果进行信息融合，得到最终的定位结果。实例结果表明所提方法有效、可行，可以解决故障信息出现不可识别异常时的定位问题。

为了提升多投影显示系统的亮度融合速度，提出了一种基于结构光条纹调制度测量的多投影显示融合方法。该方法利用相机拍摄投影机投影在显示墙上的结构光条纹，计算出每个投影通道的调制度信息。同时，利用结构光条纹的相位信息构建投影机与相机间的亚像素级映射关系，并由此得出投影机上每个像素点在显示墙上的调制度数据。将该调制度数据与边缘融合结果相结合可得出每个投影通道的亚像素级融合模板。该方法具有操作简便、测量速度快、测量结果不受环境光干扰等优点，应用领域非常广泛。理论分析和真实场景实验都证明该方法的有效性和可行性。

这是基于稀疏表达的图像融合去噪源码。下载解压后直接运行。

主要介绍了python使用OpenCV模块实现图像的融合示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

简单，可扩展，值得继续研究的方向，可进行对比实验