本文主要介绍了雷达目标跟踪中的扩展卡尔曼滤波算法，主要结合具体工程实现详细介绍各个算法公式中的具体工程使用参数，适合阅读工程跟踪代码的人群，增加对工程代码的理解

扩展卡尔曼滤波算法matlab工具箱。做测试csdn资源上传速度用。

一个卡尔曼滤波程序，很有用的。适合用于状态估计，目标跟踪等问题

MATLAB人体异常行为监控（论文，GUI），目前的监控，都是被动式监控，也就是只能看，监控是不能反馈信息给人的，该设计可以从监控里面得到既定信息，比如任务摔倒，站立，行走等。带界面GUI。如果你是新手学习，请多点耐心。

深度学习理论在计算机视觉中的应用日趋广泛，在目标分类、检测领域取得了令人瞩目的成果，但是深度学习理论在目标跟踪领域的早期应用中，由于存在跟踪时只有目标为正样本，缺乏数据支持，对位置信息依赖程度高等问题，因而应用效果并不理想，传统方法仍占据主流地位.近年来，随着技术的不断发展，深度学习在目标跟踪方向取得了长足的进步.本文首先介绍了目标跟踪技术的基本概念和主要方法，然后针对深度学习在目标跟踪领域的发展现状，从基于深度特征的目标跟踪和基于深度网络的目标跟踪两方面重点阐述了深度学习在该领域的应用方法，并对近期较为流行的基于孪生网络的目标跟踪进行了详细介绍.最后对近年来深度学习在目标跟踪领域取得的成果，以及未来的发展方向作了总结和展望.

卡尔曼卢阿 卡尔曼滤波器类 (lua) 这是一个简单的卡尔曼滤波器，可以使用噪声值 (R) 进行实例化。

基于扩展卡尔曼滤波和加权非线性最小二乘的二维同时定位与映射仿真 蓝色圆圈是机器人的真实姿势，红色圆圈是机器人的估计姿势 两个蓝星是特征的实际位置，两个红星是特征的估计位置 介绍 在Matlab中模拟具有两个要素和一个绕要素1旋转的机器人的2D地图。 （机器人可以观察到两个特征相对于自身的角度和距离）。 使用观察数据和控制数据分别基于扩展卡尔曼滤波器（EKF）和加权非线性最小二乘法（WNLS）来估计机器人的姿态和两个特征的位置（即通过EKF和WNLP解决简单的2D SLAM ）。 （SLAM）：是在构建或更新未知环境的地图同时跟踪代理在其中的位置的计算问题。 先决条件 所有代码仅在 视窗10 1809 Matlab R2018b 不能保证这些代码在其他版本中具有良好的兼容性。 用法 双击F00_Main_EKF.m以运行基于EKF的2D SLAM仿真。 双击F00_Main_NL

目标跟踪中的滤波算法-目标跟踪.rar 根据αβγ滤波算法，自己编了一个基于CA和CV模型的程序。

pysot目标跟踪权重，顺序为官网顺序，从头到尾儿，因为外网上不去，上传的

这个包实现了一系列鲁棒卡尔曼滤波器。 每个鲁棒卡尔曼滤波器都是通过固定参数 tau（0 和 1 之间的实际值）来选择的。 滤波器的鲁棒性由容差 c 调整。 鲁棒鲁棒卡尔曼的设计知道真实模型属于一个关于名义上的球。 那个球里的模型是这样的它们与名义模型之间的 Tau 散度小于宽容 C. 该软件包还包含一个演示其实际应用的示例。 参考： M.佐尔齐。 “模型扰动下的鲁棒卡尔曼滤波”。 提交。 M.佐尔齐。 “关于模型不确定性下贝叶斯和维纳估计量的鲁棒性”。