基于卡尔曼滤波器的目标跟踪的实现 matlab代码，将所有代码放置同一路径同一文件夹下运行main.m即可

运动目标检测，opencv工具使用，经典，省你很多事情，保证能用 运动目标检测，opencv工具使用，经典，省你很多事情，保证能用

随着人工智能科学的发展，目标跟踪成为中外学者研究的热点，近年来很多目标跟踪算法相继被提出，其中，经典的卡尔曼滤波算法常被用于目标跟踪领域。然而，在实际情况中，目标跟踪过程常涉及到非线性非高斯问题，由于粒子滤波算法在非线性非高斯系统中有较好的性能，因此将其引入目标跟踪研究领域。针对粒子滤波算法存在的跟踪精度差、实时性不高等问题，近年来国内外学者提出很多改进方法。从特征融合、算法融合和自适应粒子滤波三个方面介绍了相关改进方法的基本思想，展望了粒子滤波算法在目标跟踪领域的发展方向。

1、imm（交互多模型卡尔曼滤波器）是采用的对个卡尔曼滤波器模型同时做跟踪， 然后利用模型概率综合出，对每个模型的可行度，对每个模型输出的预测值和协方差，进行加权求平均 2、imm重点的核心在于，多个滤波器的概率的更新的方法，imm采用的是最大似然估计。 3、imm滤波器应该考虑的因素： a、选择一定个数的imm滤波器，包括较为精确的模型和较为粗糙的模型，imm滤波算法不仅描述了目标的连续运动状态 还描述了目标的机动性 b、马尔科夫链状态转移概率的选择，对imm滤波器的性能较大影响。 c、imm算法具有模块化的特性，当运动模型较为精确的时候，可以采用比较精确的运动模型。 当无法预料目标的运动规律的时候，那就应该选择更一般的模型，使得该模型具有更强的鲁棒性。

领域国内外重要文章集合，传统的多目标跟踪技术中，通常假设一个目标至多产生一个量测，然而随着探测 技术和雷达设备分辨率的不断提高，单个目标的不同反射点可能分布在不同的距离单元 中，即单个目标可能产生多个量测，且量测数目是变化的，这样的目标称之为扩展目标。 因此，研究目标数未知且变化的多扩展目标连续跟踪问题，尤其是在杂波环境下，需要 解决的首要问题是量测集的划分问题，能否正确划分每个时刻的扩展目标量测集，决定 了目标状态估计性能。

多目标跟踪(SORT,Deep_SORT,IOU17,SST)代码，亲身测试在MOT17上运行成功，需要准备相应的数据集及标签

前言： 粒子滤波广泛的应用于目标跟踪，粒子滤波器是一种序列蒙特卡罗滤波方法，其实质是利用一系列随机抽取的样本（即粒子）来替代状态的后验概率分布。在此不打算介绍和推理繁杂的概率公式，我们来分析Rob Hess源码从而深入理解粒子滤波算法。 试验平台： VS2010 + opencv2.4.10 + gsl1.8库 + RobHess粒子滤波源码

pysot预训练模型，复现必备

基于opencv的光流法，实现目标的运动检测，修改自其它下载资源，只需该视频文件地址，即可直接运行，注意视频格式和大小

双击打开exe文件，将视频拖入