搜索资源列表
particale_filters
- 粒子滤波器是通过蒙特卡罗模拟来实现递归贝叶斯滤波，它不需要线性、高斯噪声的假设，适用于任何能用状态空间模型表示的非线性系统，比卡尔曼滤波器的适用范围广。这里给出了几个粒子滤波的matlab编程实例。-Particle filters are using Monte Carlo simulations to achieve the recursive Bayesian filtering, it does not require linear, Gaussian noise assumptions
5
- 了适应跟踪过程中目标光照条件的变化，并对目标特征进行在线更新，提出一种将局部二元模式(LBP) 特征与图像灰度信息相融合，同时结合增量线性判别分析对目标进行跟踪的算法．跟踪开始前，为了获得比较准确的目标描述，使用混合高斯模型和期望最大化算法对目标进行分割；跟踪过程中，通过蒙特卡罗方法对目标区域和背景区域进行采样，并更新特征空间参数．得到目标和背景的最优分类面；最后使用粒子滤波器结合最优分类面对目标状态进行预测．通过光照变化的仿真视频和自然场景视频的跟踪实验，验证了文中算法的有效性．-Trac
TestLMDll_lines-matching
- 中科院模式识别国家重点实验室团队提出的一个直线特征匹配算法，效果很好，值得学习-Chinese Academy of Sciences State Key Laboratory of Pattern Recognition team proposed a linear feature matching algorithm, the effect is very good, it is worth learning
ZTSBSVM
- 算法提出了 一个新的部位观测模型和一种新的减小部位状态空间的方法：（1）对人体不同部位采用不同尺寸的细胞单元计算HOG特 征，并利用线性SVM进行分类，从而提出一种新的部位观测模型；（2）利用人体部位定位的先验分布确定部位定位区域，然 后通过邻域归并和设置与部位模板的匹配度阈值进一步减小状态空间，从而提出了一种减小部位状态空间的方法。仿真 实验结果表明所提算法与传统算法相比更加有效。-Algorithm proposed site of a new observation mod
NN.tar
- 神经网络训练算法，加速算法，有很大改进，建立参考。-Recent years have seen a surge of interest in multilayer neural networks fueled by their successful applications in numerous image processing and computer vision tasks. In this article, we describe a C++ implementation of th
3.【卡尔曼滤波】kalman
- 卡尔曼滤波（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。(Kalman filtering (Kalman filtering) An algorithm that optimizes the state of the system by using the linear system state equation, through the syst
17-0058_02_MS
- In this article we present a unified approach for multi-robot cooperative simultaneous localization and object tracking based on particle filters. Our approach is scalable with respect to the number of robots in the team. We introduce a method th