单目标跟踪--KCF算法(核化相关滤波算法)Python实现(超详细)

这篇具有很好参考价值的文章主要介绍了单目标跟踪--KCF算法(核化相关滤波算法)Python实现(超详细)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

Tracking-KCF Algorithm

注:本文涉及的算法的代码实践已上传至GitHub,恳求大佬们指点!^ _ ^

1. 目标检测跟踪与算法背景概述

​ 目标跟踪任务在许多的计算机视觉系统中都是极为关键的一个组成部分。对于任意给定的一个初始图像的Patch(Filter滑过的区域),目标跟踪任务的目的在于训练一个分类器来将待跟踪的目标与它所处的环境区分开,为了能够在后续帧中能继续检测到这个目标,分类去需要能够在很多位置上都能进行详尽的评估,同时在滑动的过程中都会提供一个新的图像Patch来帮助提升模型的性能。

​ 在上述任务中,我们将感兴趣的对象——即待追踪的目标称作正样本(positive samples),将目标所在的环境或者背景称作负样本。一幅图像中包含的负样本数量几乎是无限的,在达到合并尽可能多的样本保持较低的计算量之间的平衡上,前人作出了很多尝试。KCF算法中,引入了轮转矩阵(circulant matrices)这一工具来合并大量的样本,实现了一个基于“核岭回归”的跟踪器(tracer),该跟踪器可以认为是一个核化版的线性相关滤波器(Linear Correlation Filter )。

​ Correlation Filter(CF)源于信号处理领域,其用于tracking方面的想法是:相关是衡量两个信号相似值的度量,如果两个信号越相似,那么其相关值就越高。在tracking的应用里,设计一个滤波模板,利用该模板与目标候选区域做相关运算,最大输出响应的位置即为当前帧的目标位置。

​ 用数学语言来表述, x x x表示一幅图像, w \mathcal{w} w表示相应的滤波模板, y y y表示模板与相关候选区域进行相关运算后的相应输出,则有如下关系: y = x ⊗ w y=x\otimes\mathcal{w} y=xw,为减小计算量,可将 x , y , w x,y,\mathcal{w} x,y,w分别转换到其傅里叶空间后计算点积,即 y ^ = x ^ ⋅ w ^ ∗ \hat{y} = \hat{x}· \hat{\mathcal{w}}^* y^=x^w^。相关滤波的任务则是寻找最优的滤波模板 w \mathcal{w} w

​ 目下以相关滤波类的方法和深度学习方法为代表的判别类模型方法效果普遍好于生成模型,其显著特点是分类器的训练过程中运用到了前景与背景信息,分类器的任务专注于区分前景与背景。Kernelized Correlation Filter(KCF)是相关滤波方法中的典型算法,该方法的一般流程是:在跟踪的过程中训练一个目标检测器,使用目标检测器去检测下一帧预测位置是否是目标,然后再使用新检测结果去更新训练集进而更新目标检测器。

2. HOG特征

​ KCF算法中使用了图像的HOG特征替代了传统跟踪器所用的灰度特征。

​ HOG特征全称为Histogram of Oriented Gradients,即方向梯度直方图。作为一种图像的特征描述子(图像的一种表示,通过提取有用的信息并扔掉多余的信息来简化图像),HOG特征将一张大小为 w i d t h × h e i g h t × c h a n n e l s width \times height \times channels width×height×channels的图像转化为一个长度为 n n n的特征向量,例如输入图像大小为 64 × 128 × 3 64 \times 128 \times 3 64×128×3,HOG特征的输出为长度 3780 3780 3780的向量。HOG特征的计算过程如下:

(1)图像预处理

​ 最早提出的HOG特征通过在一张 64 × 128 64 \times 128 64×128的图像上计算得到,预处理的操作要求图片保持1:2的横纵比,原文中提及的 γ \gamma γ矫正已知其增益效果较小,不再考虑。

(2)计算梯度图

​ 首先计算图像的水平方向梯度 g x g_x gx和竖直方向的梯度 g y g_y gy,以如下公式来计算梯度的强度值 g g g和梯度方向 θ \theta θ
g = g x 2 + g y 2 θ = a r c t a n g x g y g=\sqrt{g_x^2+g_y^2}\\ \theta = arctan \frac{g_x}{g_y} g=gx2+gy2 θ=arctangygx
​ 同时梯度方向有如下的性质: θ ∈ [ 0 , π ] \theta \in [0,\pi] θ[0,π]

(3)计算梯度直方图

​ 这一步中,首先将图像分割成多个 8 × 8 8 \times 8 8×8的cell,在这些cell中计算梯度直方图。(2)中计算的每个像素点的位置处包含了2个值: g 和 θ g和\theta gθ,一个cell就保存了128个值,单个像素的梯度信息往往包含了噪声,采用 8 × 8 8 \times 8 8×8的图片块表示后能够是的直方图对噪声不敏感。

​ 由(2)的性质,将0-180度分成9个区间:0,20,40,…160,之后统计每个像素点所在的区间——将这个区间命名为bin,采取的原则是对每个像素点处的 g g g值,按 θ \theta θ的比例将 g g g分配给相邻的bin,如下图所示。

​ 最终统计得到如下图所示的直方图:

(4)对 16 × 16 16 \times 16 16×16大小的Block进行标准化

​ 标准化(Normalization)也称归一化,即将每个向量的分量除以向量的模长。Block选取示意图如下:

(5)得到HOG向量

​ 将(4)中计算的单个Block的向量连接起来得到整个图片块的最终的特征向量,其中可以由这样的认识:每个16×16块由36×1向量表示。

​ OpenCV中封装了提取HOG特征的类HOGDescriptor,实现过程中只需构造一个hog对象来实现,见于HOG.py文件中的构造方法:

    def __init__(self, winSize):
        self.winSize = winSize
        self.blockSize = (8, 8)
        self.blockStride = (4, 4)
        self.cellSize = (4, 4)
        self.nbins = 9
        self.hog = cv2.HOGDescriptor(winSize,self.blockSize, self.blockStride,self.cellSize, self.nbins)

3. 傅里叶变换

3.1 傅里叶变换概念简述

傅里叶变换(Fourier transform,FT)是一种线性积分变换,用于函数(应用上称作“信号”)在时域和频域之间的变换,在物理学和工程学中有许多应用,其作用是将函数分解为不同特征的正弦函数的和,如同化学分析来分析一个化合物的元素成分。对于一个函数,也可对其进行分析,来确定组成它的基本(正弦函数)成分。

​ 经过傅里叶变换生成的函数 f ^ \hat {f} f^称作原函数 f f f的傅里叶变换,应用意义上称作频谱。在特定情况下,傅里叶变换是可逆的,即将 f ^ \hat{f} f^通过逆变换可以得到其原函数 f f f。通常情况下, f f f是一个实函数,而 f ^ \hat{f} f^ 则是一个复数值函数,其函数值作为复数可同时表示振幅和相位。高斯函数是傅里叶变换的本征函数(也称固有函数,即对已定义的函数空间中任意一个非零函数 f f f 进行变换仍然是函数 f f f或者其标量倍数的函数。更加精确的描述就是 A f = λ f \mathcal{A}f = \lambda f Af=λf其中 λ \lambda λ是标量,它是对应的特征值),即若一个函数(或分布)在真实空间中是一个高斯函数,则在傅里叶空间中它还是一个高斯函数,如下图所示:

​ 维基百科中对连续可积函数 f f f的傅里叶变换给出的定义形式如下:
f ^ ( ξ ) = ∫ − ∞ ∞ f ( x ) e − 2 π i x ξ d x , ξ 为 定 义 在 频 域 上 的 任 意 实 数 \hat{f}(\xi)=\int _{-\infty}^{\infty}f(x)e^{-2 \pi ix\xi}dx, \xi为定义在频域上的任意实数 f^(ξ)=f(x)e2πixξdxξ
​ 同时在适当的条件下, f ^ \hat{f} f^的逆傅里叶变换可得到 f f f
f ( x ) = ∫ − ∞ ∞ f ^ ( ξ ) e − 2 π i x ξ d ξ , x 为 定 义 在 时 域 上 的 任 意 实 数 f(x)=\int _{-\infty}^{\infty}\hat{f}(\xi)e^{-2 \pi ix\xi}d\xi, x为定义在时域上的任意实数 f(x)=f^(ξ)e2πixξdξx

3.2 傅氏空间与离散傅里叶矩阵

​ 傅里叶变换的奇妙之处就在于,将真实空间中复杂的波形通过“分解”之后可以得到若干简单的正弦波,这个“分解”操作是为傅里叶变换,从而“傅里叶空间”也可理解为“频率空间”,如下图所示:

离散傅里叶变换矩阵则是将离散傅里叶变换以矩阵乘法来表示的一种表达形式,其一般形式为:
F = 1 n [ 1 1 . . . 1 1 1 w . . . w n − 2 w n − 1 1 w 2 . . . w 2 ( n − 2 ) w 2 ( n − 1 ) . . . . . . . . . . . . . . . 1 w n − 1 . . . w ( n − 1 ) ( n − 2 ) w ( n − 1 ) 2 ] F=\frac{1}{\sqrt{n}}\begin{bmatrix} 1&1&...&1&1\\ 1&\mathcal{w}&...&\mathcal{w}^{n-2}&\mathcal{w}^{n-1}\\ 1&\mathcal{w}^2&...&\mathcal{w}^{2(n-2)}&\mathcal{w}^{2(n-1)}\\ {...}&{...}&{...}&{...}&{...}&\\ \\ 1&\mathcal{w}^{n-1}&...&\mathcal{w}^{(n-1)(n-2)}&\mathcal{w}^{(n-1)^2}\end{bmatrix} F=n 1111...11ww2...wn1...............1wn2w2(n2)...w(n1)(n2)1wn1w2(n1)...w(n1)2

4.快速核相关计算

​ 在part1中提及,实现快速相关计算的方法为:将模板、图像以及相应输出转换到傅里叶空间做点积运算。同时,KCF中创新性地使用了 循环转换模型(cyclic shift model),即前文提及的循环矩阵来解决了计算量的问题,将计算复杂度由 O ( n 2 ) \mathcal{O}(n^2) O(n2)降为了 O ( n l o n g n ) \mathcal{O}(nlong\mathcal {n}) O(nlongn)

​ 具体来说,由如下定理:循环矩阵都能够在傅氏空间中使用离散傅里叶矩阵进行对角化,即 X = F d i a g ( x ^ ) F H X = Fdiag(\hat{x})F^H X=Fdiag(x^)FH

​ 对于多项式 K ( X , X ′ ) = ( X T X ′ + a ) b \mathcal{K}(X,X')=(X^TX'+a)^b K(X,X)=(XTX+a)b,可有如下的表示形式: K X X ′ = ( F − 1 ( x ^ ∗ ⊙ x ′ ^ ) + a ) b \mathcal{K}^{XX'} = (\mathcal{F^{-1}}(\hat{x}^* \odot\hat{x'})+a)^b KXX=(F1(x^x^)+a)b,相关的证明过程参见原文,其中的 F − 1 \mathcal{F^{-1}} F1代表离散傅里叶逆变换(IDFT), x ^ ∗ 与 x ′ ^ \hat{x}^* 与\hat{x'} x^x^代表各自在傅里叶空间中的映射。

​ 径向基函数可以认为是 ∣ ∣ x i − x j ∣ ∣ 2 ||x_i-x_j||^2 xixj2的函数,对于一些核函数h,径向基核如有如下的形式:
k ( X , X ′ ) = h ( ∣ ∣ x i − x j ∣ ∣ 2 ) \mathcal{k}(X,X')=h(||x_i-x_j||^2) k(X,X)=h(xixj2)
​ 于是在高斯核中,径向基函数的形式为: K x x ′ = e x p ( − 1 σ 2 ( ∣ ∣ x i ∣ ∣ 2 + ∣ ∣ x j ∣ ∣ 2 ) − 2 ( F − 1 ( x ^ ∗ ⊙ x ′ ^ ) ) T ) K^{xx'}=exp(-\frac{1}{\sigma^2}(||x_i||^2+||x_j||^2)-2(\mathcal{F}^{-1}(\hat{x}^* \odot\hat{x'}))^T) Kxx=exp(σ21(xi2+xj2)2(F1(x^x^))T),其中关于循环矩阵对角化及其推导的内容参见原文。这一部分计算的实现过程如下:

    def kernel_correlation(self, x1, x2, sigma):
        """
        核化的相关滤波操作
        :param x1:
        :param x2:
        :param sigma:   
        :return:
        """
        # 转换到傅里叶空间
        fx1 = fft2(x1)
        fx2 = fft2(x2)
        # 相乘并返回共轭复数
        tmp = conj(fx1) * fx2
        # 离散傅里叶逆变换转换回真实空间
        idft_rbf = ifft2(np.sum(tmp, axis=0))
        # 将零频率分量移到频谱中心。
        idft_rbf = fftshift(idft_rbf)
        d = np.sum(x1 ** 2) + np.sum(x2 ** 2) - 2.0 * idft_rbf
        # 径向基函数
        k = np.exp(-1 / sigma ** 2 * np.abs(d) / d.size)
        return k

5. 响应值的计算与分类器训练

​ 训练的过程即是在核空间中做岭回归。具体来说,线性不可分的样本,经过非线性映射函数 ϕ ( x ) \phi (x) ϕ(x)后可变为线性可分的样本,此时所处的新空间即时核空间,此时的任务是:在核空间中使用岭回归寻找一个分类器 f ( x i ) = w T ϕ ( x i ) f(x_i)=\mathcal{w}^T \phi(x_i) f(xi)=wTϕ(xi),目标在于寻找最优的 w \mathcal{w} w,根据梯度取零可以表示出 w \mathcal{w} w的向量表达式,详细推导过程参见原文。将 w \mathcal{w} w表示为如下形式后,可得到其对偶问题 w = ∑ i α i ϕ ( x i ) \mathcal{w}=\sum_i\alpha_i\phi(x_i) w=iαiϕ(xi),对偶表达为
α = m i n α ∣ ∣ ϕ ( X ) ϕ ( X ) T α − y ∣ ∣ 2 + λ ∣ ∣ ϕ ( X ) T α ∣ ∣ \alpha = min_{\alpha}||\phi(X)\phi(X)^T\alpha-y||^2+\lambda||\phi(X)^T\alpha|| α=minαϕ(X)ϕ(X)Tαy2+λϕ(X)Tα
同样令其梯度为零可求得其表达式: α ∗ = ( ϕ ( X ) ϕ ( x ) T + λ I ) − 1 y \alpha ^* = (\phi(X)\phi(x)^T+\lambda I)^{-1}y α=(ϕ(X)ϕ(x)T+λI)1y,由于并不清楚非线性映射函数 ϕ ( X ) \phi(X) ϕ(X)的具体形式,并且只关心刻画在核空间的核矩阵 ( ϕ ( X ) ϕ ( x ) T (\phi(X)\phi(x)^T (ϕ(X)ϕ(x)T,故令 K K K表示这个核矩阵。

​ KCF算法始终未离开一个工具——循环矩阵,借助循环矩阵的傅里叶对角化来简化计算,核矩阵虽然得到了表示但是仍旧不知道其具体数值、形式,接下来的任务就变成了将 K K K对角化——希望找到一个核函数能使得对应的核矩阵是循环矩阵。原文中给出了如下的定理:

  • Given circulant data C (x), the corresponding kernel matrix K is circulant if the kernel function satisfifies

    K ( x , x ′ ) = K ( M x , M x ′ ) K(x,x') = K(Mx, Mx') K(x,x)=K(Mx,Mx), for any permutation matrixM

​ 即:第一个样本和第二个样本都是由生成样本循环移位产生的,可以不是同一个样本。从而,在train函数中核矩阵的计算,以及 α \alpha α的计算方式有如下表示:

    def train(self, x, y, sigma, lambdar):
        """
        原文所给参考train函数
        :param x:
        :param y:
        :param sigma:
        :param lambdar:
        :return:
        """
        k = self.kernel_correlation(x, x, sigma)
        return fft2(y) / (fft2(k) + lambdar)

​ 在计算得到 α \alpha α之后,即可借助 α \alpha α来计算响应值:

    def detect(self, x, z, sigma):
        """
        原文所给参考detect函数
        :param x:
        :param z: x的HOG特征
        :param sigma: 高斯参数
        :return:
        """
        k = self.kernel_correlation(x, z, sigma)
        # 傅里叶逆变换的实部,对应响应的值
        return np.real(ifft2(self.alphaf * fft2(k)))

​ 之后即可根据响应值来更新检测的目标,详细代码参见update()函数。

6. 运行结果

详见于result文件夹。

Reference

  1. High-Speed Tracking with Kernelized Correlation Filters: https://arxiv.org/pdf/1404.7584
  2. Histogram of Oriented Gradients explained using OpenCV (learnopencv.com) : https://learnopencv.com/histogram-of-oriented-gradients/
  3. 傅里叶变换 - 维基百科:https://zh.wikipedia.org/wiki/傅里叶变换
  4. 从真实空间到傅立叶空间 - 知乎: https://zhuanlan.zhihu.com/p/37061414
  5. KCF目标跟踪方法分析与总结 - 一只有恒心的小菜鸟 - 博客园 : https://www.cnblogs.com/YiXiaoZhou/p/5925019.html
  6. GitHub代码仓库: https://github.com/chuanqi305/KCF

Appendix:库函数说明以及原文相关说明

1. HOG.py

项目1 对应内容
函数名 cv2.HOGDescriptor.compute()
功能描述 计算给定图像的HOG特征描述子
参数 img: 待计算的图像Patch
winStride: 窗口滑动的步长
**padding **: Padding
返回值 拼接好的n*1维HOG特征向量

2. KCF.py

项目1 对应内容
函数名 numpy.conj()
功能描述 帮助用户对任何复数进行共轭
参数 x[array_like]: 输入值
返回值 numpy.ndarray: x的复共轭

3. runKCF.py

项目1 对应内容
函数名 cv2.VideoCapture(video_path or device index)
功能描述 实例化一个VideoCapture对象
参数 video_path:以.mp4/.avi结束的string类型 ,代表视频所在路径
or device index:指定camare的序号,值为0或-1
返回值 VideoCapture对象
项目2 对应内容
函数名 cv2.VideoCapture.read()
功能描述 逐帧读取视频,返回值分两部分:是否正确读取以及每一帧的图像
参数
返回值 bool ret:是否正确读取&&是否读取到视频末尾
np.ndarray frame:每一帧的图像,是一个三维矩阵
项目3 对应内容
函数名 cv2.selectROI(windowName, img, showCrosshair=None, fromCenter=None)
功能描述 在一幅图像中对特定图像区域以矩形框的形式进行截取
参数 windowName:选择的区域被显示在的窗口的名字
img:要在什么图片上选择ROI
showCrosshair:是否在矩形框里画十字线.
fromCenter:是否是从矩形框的中心开始画
返回值 tuple (min_x, min_y, w, h),依次表示:
矩形框中最小的x值
矩形框中最小的y值
矩形框的宽
矩形框的高
项目4 对应内容
函数名 cv2.rectangle(image, start_point, end_point, color, thickness)
功能描述 在一幅图像上绘制一个矩形
参数 image:待绘制矩阵的图像
start_point:矩形的起始坐标,tuple类型
end_point:矩阵的结束坐标,tuple类型
color:绘制边框线的颜色
thickness:边框线的粗细
返回值 np.ndarray:image
项目5 对应内容
函数名 cv2.VideoCapture.isOpen()
功能描述 判断摄像头是否初始化成功
参数
返回值 bool res:True or False
项目6 对应内容
函数名 argparse.ArgumentParser()
功能描述 创建一个命令行参数解释器
参数 无(本例中)
返回值 一个ArgumentParser对象
项目7 对应内容
函数名 argparse.ArgumentParser.parse_args()
功能描述 给ArgumentParser对象中的参数赋值
参数 无(本例中)
返回值 argparse.Namespace 参数名等

4. 原文参考源码与超参数

参考源码:文章来源地址https://www.toymoban.com/news/detail-785546.html

到了这里,关于单目标跟踪--KCF算法(核化相关滤波算法)Python实现(超详细)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 机器学习强基计划8-3:详细推导核化主成分分析KPCA算法(附Python实现)

    机器学习强基计划聚焦深度和广度,加深对机器学习模型的理解与应用。“深”在详细推导算法模型背后的数学原理;“广”在分析多个机器学习模型:决策树、支持向量机、贝叶斯与马尔科夫决策、强化学习等。强基计划实现从理论到实践的全面覆盖,由本人亲自从底层编

    2023年04月09日
    浏览(42)
  • 【FPGA目标跟踪】基于FPGA的帧差法和SAD匹配算法的目标跟踪实现

    quartusii12.1 FPGA整体的算法流程如下图所示:  FPGA的模块主要包括如下几大模块: 摄像机驱动程序,SDRAM控制程序,显示屏驱动程序,中值滤波程序,帧差法模块,SAD模板匹配模块,跟踪定位模块等等。 跟踪模块顶层程序 帧差法模块 SAD模板匹配模块,R通道 SAD模板匹配模块,

    2024年02月04日
    浏览(42)
  • 卡尔曼滤波器(目标跟踪一)(上)

    本文主要是针对目标跟踪算法进行一个学习编码,从比较简单的卡尔曼滤波器开始,到后面的deepsort 和最后与yolo算法进行整合,到最后手动实现目标跟踪框架的流程进行。本着,无法造轮子就没有彻底理解的原则进行学习。那么废话不多说开始了。(收藏点赞?VIP:Free,白嫖

    2024年02月08日
    浏览(49)
  • 扩展卡尔曼滤波在目标跟踪中的应用(1)

    前面几节相继介绍的不同维度的 卡尔曼滤波算法 , 在线性高斯模型的条件下,具有很好的跟踪效果 ,当时在实际生活中, 不可能 所有的运动都呈现一种线性关系,也存在着 非线性 关系,比如说:飞机的飞行状态,导弹的制导问题等等。 为了保证结果的准确性和精确度

    2024年02月10日
    浏览(46)
  • 经典多目标跟踪算法DeepSORT的基本原理和实现

    点击蓝字 关注我们,让开发变得更有趣 作者| 杨亦诚 排版| 李擎 经典多目标跟踪算法DeepSORT的基本原理和实现 OpenVINO 目标检测 vs 目标跟踪 在开始介绍DeepSORT的原理之前呢,我们先来了解下目标检测,和目标跟踪之间的区别: · 目标检测:在目标检测任务中,我们需要利用A

    2024年02月03日
    浏览(40)
  • 无迹卡尔曼滤波在目标跟踪中的作用(一)

    在前一节中,我们介绍了 扩展卡尔曼滤波算法EKF 在目标跟踪中的应用,其 原理是 将非线性函数局部线性化,舍弃高阶泰勒项,只保留一次项 ,这就不可避免地会影响结果的准确性,除此以外,实际中 要计算雅各比矩阵 也 不是特别的容易 ,因此有必要研究其他的滤波算法

    2024年02月11日
    浏览(39)
  • 无迹卡尔曼滤波在目标跟踪中的作用(二)

    在上一节的内容中,我们介绍了 UKF 中最重要的内容— 无迹变换UT ,今天我们将具体介绍 UKF 是如何实现的。 好了,话不多说,开整!!! 我们知道,我们可以使用 状态方程 和 观测方 程来 对系统进行描述 ,那么一个 非线性系统 可以用以下的方程进行描述: { X ( k + 1 )

    2024年02月12日
    浏览(47)
  • Yolov5-Lite + Sort算法实现边缘目标跟踪

    昨天挖了个坑,那么今天的话把坑填上,只要是实现Sort算法和Yolov5-Lite的一个整合。当然先前的话,我们在Yolov3–Tiny的时候,也做了一个,不过当时的话,有几个问题没有解决。第一就是当时以中心点进行预测的,这样做的结果就是如果目标框的波动比较大的话,影响会很大

    2024年02月15日
    浏览(49)
  • 基于YOLOv8与DeepSORT实现多目标跟踪——算法与源码解析

    \\\"目标跟踪 (Object Tracking)\\\"是机器视觉领域中的一个重要研究领域。根据跟踪的目标数量,可以将其分为两大类:单目标跟踪 (Single Object Tracking,简称 SOT) 和多目标跟踪 (Multi Object Tracking,简称 MOT)。 多目标跟踪往往面临一些挑战,例如需要同时跟踪多个目标、目标可能频繁遮挡

    2024年02月05日
    浏览(51)
  • 基于EKF扩展卡尔曼滤波的传感器网络目标跟踪matlab仿真

    目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 5.算法完整程序工程 MATLAB2022a         随着传感器网络技术的不断发展,目标跟踪作为其核心应用之一,在军事、民用等领域中得到了广泛的关注。扩展卡尔曼滤波(EKF)作为一种有效的非线性滤

    2024年02月22日
    浏览(68)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包