由于实际场景复杂多变，目标在运动过程中往往会出现形变、遮挡等问题，增加了跟踪的难度。为了解决上述问题，提出一种基于特征点匹配的自适应目标跟踪算法。算法初始化时在选定的目标区域内提取特征点，跟踪过程中通过对前后两帧的特征点进行匹配，计算出目标的位置、尺度和旋转变化，进而实现对目标的跟踪。同时通过对特征点的不断更新，可以使算法具有一定的抗遮挡能力。实验表明，该方法在实际应用中效果很好。

一阶卡尔曼滤波python实现——已封装

MATLAB车辆运动目标跟踪检测（各车速度，车流量，密度，GUI界面）

卡尔曼滤波matlab程序，主要是采用kalman滤波器进行滤波。

6轴加速度传感器LMS6DS3TR_C驱动程序，里面包含两种算法，计算姿态角，利用四轴上位机工具协议可发送数据显示状态。

包括传感器校准、电子落班方位角计算、卡尔曼滤波

用MATLAB仿真实现，对单移动目标进行跟踪，主要功能：展示跟踪曲线；初速度、节点坐标等参数设置；实现算法：纯方位角的粒子滤波算法。

针对嵌入式大气数据系统高空飞行精度低、跨大气层易失效等问题,提出一种融合惯导与飞控系统信息的 飞行大气全参数估计算法.基于飞行器气动模型及动力学方程,建立惯导信息与大气参数之间的函数 关系,进而利用扩展卡尔曼滤波实现大气参数的实时精确估计.仿真结果表明,该方法具有较高的 精度、良好的稳定性和鲁棒性,而且可以提高大气数据系统的测量范围和可靠性,能够适用于全 飞行包线下攻角、侧滑角、真空速的测量.

使用集成卡尔曼滤波器学习神经网络权重 该存储库包含用于使用Ensemble Kalman滤波器学习神经网络权重的代码。 有三个主要实验： 与反向传播的比较： generate_comparison.py 精度阈值的影响： varying_r.py 从ENKF到反向传播的转换： varying_pretrain.py 每个文件都接受一组命令行参数，这些参数确定数据集，模型体系结构和ENKF超参数。 例如： python generate_comparison.py --dataset=boston_housing --model=fcn --r=0.01 --initial_noise=0.03 --batch_size=16 --timesteps=25 --num_epochs=5 --num_particles=50 从命令行运行此命令，将使用指定的学习超参数，将波士顿房屋

被动目标跟踪不相关转换非线性滤波研究，郗瑞卿，兰剑，针对被动目标系统中的非线性估计问题，本文采用最近提出的不相关转换滤波（Uncorrelated Conversion Based Filter , UCF）非线性估计器，对运动