文档帮助中心文档
从检测报告创建常速线性卡尔曼滤波器
过滤器= initcvkf(检测)
例子
过滤器= initcvkf (检测)创建并初始化一个常速线性卡尔曼滤波过滤器中包含的信息检测报告。关于线性卡尔曼滤波器的更多信息,请参阅trackingKF。
过滤器= initcvkf (检测)
过滤器
检测
trackingKF
该函数初始化一个恒定速度状态相同的约定constvel和cvmeas,(x;vx;y;vy;z;vz]。
constvel
cvmeas
全部折叠
创建并初始化一个二维线性卡尔曼滤波对象从最初的检测报告。
创建初始二维测量,检测报告(10、20),对象的位置。
检测= objectDetection (0 (10、20)“MeasurementNoise”,0.2;0.2 - 2),…“SensorIndex”,1“ObjectClassID”,1“ObjectAttributes”,{“黄色的车”,5});
创建新记录的检测报告。
过滤器= trackingKF属性:状态:x1双[4]StateCovariance: [4 x4双]MotionModel:“二维恒定速度”ControlModel: [] ProcessNoise: [4 x4双]MeasurementModel: [2 x4双]MeasurementNoise: [2 x2双]MaxNumOOSMSteps: 0 EnableSmoothing: 0
显示状态。
filter.State
ans =4×110 0 20 0
显示状态转换模型。
filter.StateTransitionModel
ans =4×41 1 0 0 0 1 0 0 0 0 1 1 0 0 0 1)
创建并初始化一个三维线性卡尔曼滤波对象从最初的检测报告。
创建初始三维测量、检测报告(10年,20年,−5),对象的位置。
检测= objectDetection (0 (10、20; 5)“MeasurementNoise”眼睛(3),…“SensorIndex”,1“ObjectClassID”,1“ObjectAttributes”,{“绿色汽车”,5});
创建新的滤波器的检测报告和显示其属性。
过滤器= trackingKF属性:状态:x1双[6]StateCovariance: [6 x6双]MotionModel:“3 d恒定速度”ControlModel: [] ProcessNoise: [6 x6双]MeasurementModel: [3 x6双]MeasurementNoise: [3 x3双]MaxNumOOSMSteps: 0 EnableSmoothing: 0
ans =6×110 0 20 0 5 0
ans =6×61 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 1
objectDetection
检测报告,指定为一个objectDetection对象。
例子:检测= objectDetection (0 (1; 4.5; 3)“MeasurementNoise”, (1.0 0 0;2.0 0 0;0 0 1.5])
检测= objectDetection (0 (1; 4.5; 3)“MeasurementNoise”, (1.0 0 0;2.0 0 0;0 0 1.5])
线性卡尔曼滤波器,作为一个返回trackingKF对象。
函数计算过程噪声矩阵假设一秒钟时间步和加速1 m / s的标准差2。
你可以使用这个函数FilterInitializationFcn财产的trackerGNN或trackerTOMHT对象。
FilterInitializationFcn
trackerGNN
trackerTOMHT
initcakf
initcaekf
initcaukf
initctekf
initctukf
initcvekf
initcvukf
trackingEKF
trackingUKF
你有一个修改版的这个例子。你想打开这个例子与编辑?
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
选择一个网站翻译内容,看到当地事件和提供。根据你的位置,我们建议您选择:。
你也可以从下面的列表中选择一个网站:
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。
联系你当地的办公室