传统的基于粒子滤波的目标跟踪,粒子滤波是基于序贯蒙特卡洛的后验概率估计方法，针对非线性非高斯的概率分布，并且是无参数估计，用粒子滤波来做目标跟踪非常的简便，这个是robhess提出来的2009年发布的论文里面的源代码，我将代码进行了相应的改动，让他在vs2008运行，并且依赖库opencv，还有gsl，这两个库我都上传在上面的压缩包里面。

动态危害 动态危害的目标是估计生存分析中的时变效应。 时变效应是通过状态空间模型估算的，其中状态系数遵循给定的随机游动。 使用状态空间模型的优势在于，您可以推断出最近观察到的时间段以外的时间。 有关更多详细信息，请参见ddhazard小插图。 。 粒子滤波和更平滑的方法可以比随机游走模型估计更通用的模型。 有关一些示例，请参见目录。 安装 您可以使用以下命令从github安装dynamichazard： # install.packages("remotes") remotes :: install_github( " boennecd/dynamichazard " ) 您还可以通过调用以下命令从CRAN下载该软件包： install.packages( " dynamichazard " ) 示例-ddhazard 我将使用JMbayes软件包中的aids数据集。 数据集

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

更新 更新22/01/2020您可能有兴趣关注以观看有关计算机视觉，机器学习，深度学习和机器人技术的每周视频。 Deepgaze 2.0的更新16/07/2019稳定版本可分支2.0 。 更新20/03/2019开始在Python / OpenCV 3.0上进行移植，请检查分支2.0以获取初步版本。 更新10/06/2017文章“使用卷积神经网络和自适应梯度方法在野外进行头部姿态估计”的PDF使用可在未来50天内免费下载 更新2017年4月6日，文章“使用卷积神经网络和自适应梯度方法在野外进行头部姿态估计”已在Pattern Recogntion（Elsevier）中接受发表。 Deepgaze CNN头部姿势估计器模块基于此工作。 更新31/05/2017新软件包。 该软件包包含用于显着性检测的算法的实现 更新22/03/2017修复了mask_analysis.py中的一个

Heading estimation algorithm based on region partition particle filter for pedestrian navigation

人脸检测与追踪 使用CamShift，卡尔曼滤波器，光流的人脸检测和跟踪 客观的 ： 在电影的第一帧中检测面部 使用预训练的Viola-Jones检测器 使用以下方法跟踪电影中的脸部： CAMShift 粒子过滤器 人脸检测器+卡尔曼滤波器（总是运行kf.predict（），并在获得新的人脸检测时运行kf.correct（）） 人脸检测器+光流跟踪器（人脸检测器发生故障时，请使用OF跟踪器）。

粒子过滤器 雷茂 芝加哥大学 介绍 粒子滤波器是用于解决统计推断问题的蒙特卡洛算法。 在该项目中，使用粒子过滤器推断了乌龟在迷宫中的位置和前进方向。 绿海龟是实际位置，而橙色海龟是估计位置。 箭头是粒子。 蓝色箭头代表低概率粒子，而红色箭头代表高概率粒子。 乌龟的前，后，左和右安装了四个传感器。 传感器在四个方向上测量其到最近壁的垂直距离，可能会受到某个传感器限制的限制。 粒子过滤器开始 平衡粒子过滤器 档案文件 . ├── LICENSE.md ├── main.py ├── maze.py └── README.md 依存关系 Python 3.6 脾气暴躁的1.14 用法 可以为粒子过滤器调整以下参数。 $ python main.py --help usage: main.py [-h] [--window_width WINDOW_WIDTH]

Matlab粒子滤波的实现代码希望对大家有用-particle filter.rar 粒子滤波的实现代码，希望对大家有用 particle filter.rar

实现粒子滤波视觉目标跟踪(PF)、卡尔曼粒子滤波视觉目标跟踪(KPF)、无迹粒子滤波视觉目标跟踪(UPF)。它们是本人这两年来编写的核心代码，用于实现鲁棒的视觉目标跟踪，其鲁棒性远远超越MeanShift(均值转移)和Camshift之类。用于实现视觉目标跟踪的KPF和UPF都是本人花费精力完成，大家在网上是找不到相关代码的。这些代码虽然只做了部分代码优化，但其优化版本已经成功应用于我们研究组研发的主动视觉目标跟踪

粒子过滤器 粒子滤波器的预测和更新步骤以定位差速驱动模型车辆 文件描述main.py 初始化地图 每个时间戳将编码器和激光雷达数据同步到FOG数据 从Particle_filter.py运行prediction（） 从particle_filter.py运行update（） 从map_update.py运行update_map（） particle_filter_prediction.py particle_filter_prediction（）-粒子过滤器预测步骤的功能 particle_filter_update.py particle_filter_update（）-用于粒子过滤器更新步骤的函数 map_update.py update_map（）-更新地图的功能 resample_particles.py resample_particles（）-用于重新采样粒子过