一篇关于代价参考粒子滤波算法的论文，该算法的优点是不需要任何先验概率知识的假定和重采样过程，可实现并行处理。本文将代价参考粒子滤波与当前统计模型的优点相结合 ,提出一种新的当前统计模型自适应跟踪算法 ,用于非线性非高斯系统的机动目标跟踪。-A particle filter on the reference price of the paper, the advantages of the algorithm does not require any prior knowledge of the

上传了几个基于“当前”统计模型的机动目标跟踪的程序，包括子程序和文献，还有粒子滤波的目标跟踪程序-From a few based on the " current" statistical model for maneuvering target tracking procedures, including routine and literature, as well as particle filter target tracking process

提出了一种基于粒子Mean Shift 迁移过程的红外人体跟踪方法. 算法通过采样粒子迁移和聚类动态建立 目标的状态模型和量测模型. 在被跟踪区域随机布撒粒子, 以各粒子对应像素的亮度作为特征值进行Mean Shift 收敛性分析, 使用收敛后的粒子集表达目标的当前状态 以状态粒子的坐标位置为特征值对其进行Mean Shift 聚 类, 作为对目标的量测. 连续跟踪时, 下一帧的采样粒子基于上一帧的量测结果产生. 与传统的基于序贯重要性采 样的粒子滤波方法相比, 算法不需要目标的

当前模型加粒子滤波在matlab中的实现，一维(The current model plus particle filter in matlab in the realization of one-dimensional)