针对运动目标在普通镜头下跟踪视角小,以及在复杂背景下容易丢失的问题,提出了一种基于鱼眼镜头的改进Mean-shift算法。首先通过SIFT算法提取运动目标初始帧,利用卡尔曼滤波算法预测下一帧运动目标位置,进而采用改进的Mean-shift算法进行运动目标的跟踪。实验结果表明利用鱼眼镜头配合本文改进的Mean-shift算法具有良好的跟踪效果,与传统的跟踪方法相比具有大广角、实时性、鲁棒性、准确性等特点。

GP-EnKF 利用集合卡尔曼滤波器估计，在线数据的归纳点实现高斯过程回归。 在线高斯过程回归和学习的集成卡尔曼滤波代码（Fusion 2018）。

matlab中simulink搭建的卡尔曼滤波，可以生成嵌入式c代码。

基于卡尔曼滤波器的雷达跟踪，很不错的，我不多说，自己看吧

matlab实现的人体跟踪，包括文档讲解卡尔曼滤波的人体跟踪。

针对传统的ＲＳＳＩ测距方法精度不高的问题，提出了基于高斯分布的信号过滤技术，得到了具有较高精度的测距模型。以该测距模型为基础，实现了基于ＲＳＳＩ测距的多点定位算法，并通过融合步态检测、卡尔曼滤波等技术，提出了改进的多点定位算法，将平均定位误差由原来的３米减小到１．５米左右。

卡尔曼过滤excel范本demo

在模型未知的情况下, 估计过程的重要变量尤为重要. 鉴于此, 采用不敏卡尔曼滤波(UKF) 与神经网络相结合的方法, 解决一类未知模型非线性系统的状态估计问题. 采用动态神经网络对非线性系统进行建模, 利用UKF 对状态和权值进行同时更新, 从而达到神经网络逼近真实模型, 估计值跟随真实值的目的. 通过两个仿真实例表明了所提出的方法具有良好的估计效果, 并且状态在输出中的比重越大, 其估计精度越高.

数据融合matlab代码直流电 用于传感器融合的扩展卡尔曼滤波器 结果 RMSE 像素 0.0868631 py 0.0791862 vx 0.616482 vy 0.602462 超越 cmake> = 3.5 所有操作系统： 使> = 4.1 Linux：大多数Linux发行版默认都安装了make 苹果电脑： 视窗： gcc / g ++> = 5.4 Linux：大多数Linux发行版默认安装了gcc / g ++ Mac：与make一样的交易-[安装Xcode命令行工具]（（） Windows：建议使用 卡尔曼滤波器教程 这是有关EKF和UKF（）的精彩视频 基本制作说明 克隆此仓库。 创建一个构建目录： mkdir build && cd build 编译： cmake .. && make 运行它： ./carn_term2 path/to/input.txt path/to/output.txt 。 您可以在“数据/”中找到一些示例输入。 例如。 ./carn_term2 ../data/sample-laser-radar-measurement-data-1.txt

通过卡尔曼滤波器对自由落体运动目标进行跟踪的问题。