文档帮助中心文档
从检测报告中创建匀速跟踪粒子过滤器
pf = initcvpf(检测)
例子
PF.= initcvpf (检测)所提供的信息初始化用于目标跟踪的匀速粒子滤波器objectDetection目的,检测.
PF.= initcvpf (检测)
PF.
检测
objectDetection
函数初始化一个匀速状态,约定为Constvel.和cvmeas,(x;vx;y;vy;z;vz]。
Constvel.
cvmeas
全部折叠
创建一个匀速跟踪粒子过滤器对象,trackingPF的初步检测报告。检测报告是由粒子滤波状态的初始三维位置测量在直角坐标。你可以使用等速测量功能获得三维位置测量,cvmeas.
trackingPF
此示例使用坐标,X = 1, y = 3, z = 0和三维位置测量噪声[1 0.2 0;0.2 2 0;0 0 1].
X = 1, y = 3, z = 0
[1 0.2 0;0.2 2 0;0 0 1]
检测= objectDetection(0, [1;3;0]),“MeasurementNoise”,[1 0.2 0;0.2 2 0;0 0 1]);
使用initcvpf创建一个trackingPF在给定位置初始化滤波器,并使用上述定义的测量噪声。
initcvpf
pf = trackingpf具有属性:状态:[6⨯1double] statecovariance:[6⨯6double] isstatevariablecircular:[0 0 0 0 0 0] stateTransitionFCN:@constvel processnoisesamplingfcn:[] processnoise:[3x3 double] hasadditive processnoise:0 measurementfcn:@cvmeas measurementlikelihoodfcn:[]测量不良:[3x3双]粒子:[6x1000双]重量:[1x1000双]重新采样policy:[1x1 trackingresamplingpolicy]重新制定方法:'多项式'
检查状态的值和测量噪声。验证过滤器状态,pf.state.,其位置分量与检测测量,检测。测量.
pf.state.
检测。测量
ans =6×10.9674 0.3690 3.0471 0.2733 0.0306 -0.5904
验证滤波器测量噪声,pf.MeasurementNoise,与之相同检测。MeasurementNoise值。
pf.MeasurementNoise
检测。MeasurementNoise
ans =3×31.0000 0.2000 0 0.2000 2.0000 0 0 0 1.0000
创建一个匀速跟踪粒子过滤器对象,trackingPF的初步检测报告。检测报告是由粒子滤波状态的初始三维位置测量球坐标。你可以使用等速测量功能获得三维位置测量,cvmeas.
这个例子使用了坐标az= 30,e1 = 5,r = 100,rr = 4测量噪声Diag ([2.5, 2.5, 0.5, 1].^2).
= 30,e1 = 5,r = 100,rr = 4
Diag ([2.5, 2.5, 0.5, 1].^2)
meas = [30; 5; 100; 4];measnoise = diag([2.5,2.5,0.5,1]。^ 2);
使用测量参数财产的财产检测对象定义框架。未定义时,该字段测量参数struct使用默认值。在该示例中,传感器位置,传感器速度,方向,升降和范围率标志是默认的。
测量参数
measParams =结构('框架',“球”);检测= objectDetection(0,量,“MeasurementNoise”measNoise,...“MeasurementParameters”measParams)
检测= objectDetection with properties: Time: 0 Measurement: [4x1 double] MeasurementNoise: [4x4 double] SensorIndex: 1 ObjectClassID: 0 Measurement parameters: [1x1 struct] ObjectAttributes: {}
pf = trackingPF属性:状态:[6⨯1双]StateCovariance:[6⨯6双]IsStateVariableCircular: [0 0 0 0 0 0] StateTransitionFcn: @constvel ProcessNoiseSamplingFcn: [] ProcessNoise: [3 x3双]HasAdditiveProcessNoise: 0 MeasurementFcn: @cvmeas MeasurementLikelihoodFcn: [] MeasurementNoise: [4 x4双]粒子:[6x1000 double] weight: [1x1000 double] ResamplingPolicy: [1x1 trackingResamplingPolicy] ResamplingMethod: 'multinomial'
验证过滤器状态产生的测量值与检测。测量.
meas2 = cvmeas(pf.state,detection.measurement parameters)
meas2 =4×129.9188 5.0976 99.8303 4.0255
检测报告,指定为一个objectDetection目的。
例子:检测= ObjectDetection(0,[1; 4.5; 3],'MeasurementNoise',[1.0 0 0; 0 2.0 0; 0 0 1.5])
检测= ObjectDetection(0,[1; 4.5; 3],'MeasurementNoise',[1.0 0 0; 0 2.0 0; 0 0 1.5])
用于对象跟踪的恒定速度粒子滤波器,作为a返回trackingPF目的。
该功能配置1000个粒子的过滤器。在创建滤波器时,函数计算过程噪声矩阵假设单位加速度标准差。
你可以用这个函数FilterInitializationFcn的属性trackerTOMHT和Trackergnn.系统对象。
FilterInitializationFcn
trackerTOMHT
Trackergnn.
initcapf.
initctpf
initcvckf
initcvekf
initcvkf
initcvukf
trackingekf.
trackingkf.
trackingukf.
您有这个示例的一个修改版本。要用编辑打开这个例子吗?
您点击了一个对应于这个MATLAB命令的链接:
通过在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站来获得可用的翻译内容,并看到当地的活动和提供。根据您所在的位置,我们建议您选择:.
您还可以从以下列表中选择一个网站:
请选择表现最佳的中国网站(中文或英文)。MathWorks的其他国家网站并没有针对您所在位置的访问进行优化。
与当地办事处联系