基于CS模型和CV模型的多目标协同滤波跟踪算法matlab仿真

news2024/12/27 13:02:20

目录

1.程序功能描述

2.测试软件版本以及运行结果展示

3.核心程序

4.本算法原理

5.完整程序

1.程序功能描述

        基于CS模型和CV模型的多目标协同滤波跟踪算法matlab仿真,在计多目标跟踪领域，基于CS模型和CV模型的多目标协同滤波跟踪算法是近年来发展起来的先进技术，旨在提高在复杂场景下对多个移动目标的跟踪精度和鲁棒性。这类算法融合了目标间的合作信息，利用目标间的关系和数据关联性来优化跟踪结果。

2.测试软件版本以及运行结果展示

MATLAB2022A版本运行

（完整程序运行后无水印）

3.核心程序

figure;
subplot(3,2,[1,2]);
plot(y_obj2(1,1:N),y_obj2(4,1:N),'r-','Linewidth',1);
hold on;
plot(X_observation_obj2(1,1:N),X_observation_obj2(4,1:N),'b-');
hold on;
legend('真实轨迹','滤波轨迹');
xlabel('x(m)'),ylabel('y(m)');
grid on;
title('弹2,CV模型+"当前"状态模型');
% axis([200,4400,130,250]);

subplot(3,2,3);
plot(X_obser_se_obj2(1,1:N),'b-');
title('弹2,x方向位置误差均值,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,-5,5]);
subplot(3,2,4);
plot(X_obser_se_obj2(4,1:N),'b-');
title('弹2,y方向位置误差均值,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,-5,5]);

subplot(3,2,5);
plot(X_obser_mse_obj2(1,1:N),'b-');
title('弹2,x方向位置均方误差,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,0,5]);
subplot(3,2,6);
plot(X_obser_mse_obj2(4,1:N),'b-');
title('弹2,y方向位置均方误差,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,0,5]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure;
subplot(321);
plot(y_obj2(2,1:N),'r-','Linewidth',1);
hold on;
plot(X_observation_obj2(2,1:N));
hold on;
legend('x真实速度','滤波速度');
xlabel('时间(s)'),ylabel('速度(m/s)');
grid on;
title('弹2,CV模型+"当前"状态模型');
axis([0,N,-2,20]);


subplot(322);
plot(y_obj2(5,1:N),'r-','Linewidth',1);
hold on;
plot(X_observation_obj2(5,1:N));
hold on;
legend('y真实速度','滤波速度');
xlabel('时间(s)'),ylabel('速度(m/s)');
grid on;
title('弹2,CV模型+"当前"状态模型');
axis([0,N,-2,20]);

subplot(323);
plot(X_obser_se_obj2(2,1:N),'b-');
title('弹2,x方向速度误差均值,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,-5,5]);

subplot(324);
plot(X_obser_se_obj2(5,1:N),'b-');
title('弹2,y方向速度误差均值,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,-5,5]);

subplot(325);
plot(X_obser_mse_obj2(2,1:N),'b-');
title('导弹2,x方向位置均方误差,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,0,5]);

subplot(326);
plot(X_obser_mse_obj2(5,1:N),'b-');
title('弹2,y方向位置均方误差,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,0,5]);


%%%%%%%%%%%%%%%%%%%%%%%%%%目标1%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%目标1%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%目标1%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%目标1%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure;
subplot(3,2,[1,2]);
plot(XObj(1,1:N),XObj(4,1:N),'r-','Linewidth',1);
hold on;
plot(X_observation_obj3(1,1:N),X_observation_obj3(4,1:N),'b-');
hold on;
legend('真实轨迹','滤波轨迹');
xlabel('x(m)'),ylabel('y(m)');
grid on;
title('目标,CV模型+"当前"状态模型');
% axis([200,4400,130,200]);

subplot(3,2,3);
plot(X_obser_se_obj3(1,1:N),'b-');
title('目标,x方向位置误差均值,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,-5,5]);
subplot(3,2,4);
plot(X_obser_se_obj3(4,1:N),'b-');
title('目标,y方向位置误差均值,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,-5,5]);

subplot(3,2,5);
plot(X_obser_mse_obj3(1,1:N),'b-');
title('目标,x方向位置均方误差,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,0,5]);
subplot(3,2,6);
plot(X_obser_mse_obj3(4,1:N),'b-');
title('目标,y方向位置均方误差,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,0,5]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure;
subplot(321);
plot(XObj(2,1:N),'r-','Linewidth',1);
hold on;
plot(X_observation_obj3(2,1:N));
hold on;
legend('x真实速度','滤波速度');
xlabel('时间(s)'),ylabel('速度(m/s)');
grid on;
title('目标,CV模型+"当前"状态模型');
axis([0,N,-2,20]);


subplot(322);
plot(XObj(5,1:N),'r-','Linewidth',1);
hold on;
plot(X_observation_obj3(5,1:N));
hold on;
legend('y真实速度','滤波速度');
xlabel('时间(s)'),ylabel('速度(m/s)');
grid on;
title('目标,CV模型+"当前"状态模型');
axis([0,N,-2,20]);

subplot(323);
plot(X_obser_se_obj3(2,1:N),'b-');
title('目标,x方向速度误差均值,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,-5,5]);

subplot(324);
plot(X_obser_se_obj3(5,1:N),'b-');
title('目标,y方向速度误差均值,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,-5,5]);

subplot(325);
plot(X_obser_mse_obj3(2,1:N),'b-');
title('目标,x方向位置均方误差,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,0,5]);

subplot(326);
plot(X_obser_mse_obj3(5,1:N),'b-');
title('目标,y方向位置均方误差,CV模型+"当前"状态模型');xlabel('时间(s)'),ylabel('误差均值(m)');
grid on;
axis([0,N,0,5]);

figure;
plot(XObj(1,600:N),XObj(4,600:N),'k-');
hold on;
plot(x1,y1,'r-');
hold on;
plot(x2,y2,'b-');
hold on;
legend('目标','导弹1','导弹2');
axis([0,4000,-1000,2500]);
grid on

save Res.mat MSE1 MSE2 X_obser_mse_obj1 X_obser_mse_obj2 X_obser_mse_obj3 x1 x2 y1 y2
16_029m

4.本算法原理

这里首先介绍一下CV模型和CS（当前统计）模型：

CV：

CS：

       实际应用中，CS模型和CV模型可以结合使用，先通过CS模型进行初步聚类和目标候选，然后在每个簇内应用CV模型的投票机制进行目标确认和数据关联优化。这样既利用了目标间的聚类特性，又通过合作投票增强了对目标状态估计的准确性，特别是在遮挡、重叠和快速运动等复杂场景下，能显著提高跟踪的稳定性和精度。

      基于CS模型和CV模型的多目标协同滤波跟踪算法，通过整合目标聚类、共识选择和合作投票等机制，为解决复杂动态场景下的多目标跟踪问题提供了一套有效的方法。这些算法的实施细节和参数调整对最终性能有显著影响，需要根据具体应用场景进行细致调整和优化。

5.完整程序

VVV

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：http://www.coloradmin.cn/o/1905758.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

HackTheBox--Headless

HackTheBox--Headless

Headless测试过程 1 信息收集 NMAP端口扫描 nmap -sSCV 10.10.11.85000端口测试 检查页面功能，请求 For questions 功能，跳转到 /support 目录 目录扫描 发现 /dashboard 目录 访问 /dashboard 目录，显示未认证，如果通过认证…
阅读更多...
Postgresql - 用户权限数据库

Postgresql - 用户权限数据库

1、综述 在实际的软件项目开发过程中，用户权限控制可以说是所有运营系统中必不可少的一个重点功能，根据业务的复杂度，设计的时候可深可浅，但无论怎么变化，设计的思路基本都是围绕着用户、部门、角色、菜单这几个部分展…
阅读更多...
C语言 | Leetcode C语言题解之第222题完全二叉树的节点个数

C语言 | Leetcode C语言题解之第222题完全二叉树的节点个数

题目&#xff1a; 题解&#xff1a; bool exists(struct TreeNode* root, int level, int k) {int bits 1 << (level - 1);struct TreeNode* node root;while (node ! NULL && bits > 0) {if (!(bits & k)) {node node->left;} else {node node-&…
阅读更多...
音频处理5_时频谱1

音频处理5_时频谱1

介绍 时频谱&#xff0c;mel谱&#xff0c; MFCC 1. 概念 magnitude&#xff08;幅值&#xff09;& amplitude&#xff08;振幅)&#xff1a; 振幅指时域信号的瞬时强度或波的高度&#xff0c;它表示信号的最大偏离平均值的程度。 对于一个正弦波信号&#xff0c;振幅是从…
阅读更多...
根据RTL图编写Verilog程序

根据RTL图编写Verilog程序

目录 描述 输入描述&#xff1a; 输出描述&#xff1a; 参考代码 描述 根据以下RTL图&#xff0c;使用 Verilog HDL语言编写代码&#xff0c;实现相同的功能&#xff0c;并编写testbench验证功能。 输入描述&#xff1a; clk&#xff1a;系统时钟信号 rst_n&#xff1a;…
阅读更多...
第11章 规划过程组（二）(11.9估算活动持续时间)

第11章 规划过程组（二）(11.9估算活动持续时间)

第11章 规划过程组&#xff08;二&#xff09;11.9估算活动持续时间&#xff0c;在第三版教材第393~395页&#xff1b;文字图片音频方式 第一个知识点&#xff1a;主要工具与技术 1、类比估算 是一种使用相似活动或项目的历史数据&#xff0c;来估算当前活动或项目的持续时间或…
阅读更多...
【运维】Windows server 2022 开启 telnet 功能

【运维】Windows server 2022 开启 telnet 功能

控制面板》启动或关闭Windows 功能 仪表盘》添加角色和功能》功能》telnet客户端
阅读更多...
使用Python+OpenCV实现姿态估计--20240705

使用Python+OpenCV实现姿态估计--20240705

姿态估计使用Opencv+Mediapipe来时实现 什么是Mediapipe？ Mediapipe是主要用于构建多模式音频，视频或任何时间序列数据的框架。借助MediaPipe框架，可以构建令人印象深刻的ML管道，例如TensorFlow，TFLite等推理模型以及媒体处理功能。 安装命令： pip install mediapipe如果…
阅读更多...
回顾 DTC 2024 大会——聚焦数据技术创新：揭秘下一代纯实时搜索引擎 INFINI Pizza

回顾 DTC 2024 大会——聚焦数据技术创新：揭秘下一代纯实时搜索引擎 INFINI Pizza

2024 年 4 月 12 日至 13 日&#xff0c;备受瞩目的第十三届“数据技术嘉年华”&#xff08;DTC2024&#xff09;在北京新云南皇冠假日酒店盛大开幕。本次大会由中国 DBA 联盟&#xff08;ACDU&#xff09;与墨天轮社区联合主办&#xff0c;以“智能云原生一体化——DB 与 AI 协…
阅读更多...
通过IDEA生成webapp及web.xml配置文件

通过IDEA生成webapp及web.xml配置文件

1、选择File->Project Structure 2、选择Modules-> + -> Web 有的springboot工程选择是war工程，这个web可能已经存在了。 如果不存在，就手动创建，创建后，需要修改pom.xml中的配置 <packaging>war</packaging> 3、创建webapp根目录 这步重点就是创建…
阅读更多...
Camera Raw：编辑 - 配置文件

Camera Raw：编辑 - 配置文件

Camera Raw “编辑”模块中的配置文件 Profile面板为照片编辑提供了一个坚实的基础&#xff0c;能够显著改善照片的初始外观&#xff0c;使编辑过程更加高效和灵活。 使用配置文件&#xff0c;可以控制如何呈现照片中的颜色和色调。配置文件旨在作为照片编辑的起点和基础。 ◆ …
阅读更多...
在BI软件上使用SQL查询其实很简单

在BI软件上使用SQL查询其实很简单

如何在BI软件上使用SQL查询&#xff1f; 我理解在BI上使用SQL是对原始数据进行查询、筛选、清洗&#xff0c;这一点主流BI工具像power BI&#xff0c;tableau、superset都可以支持。 你只需要写好SQL代码&#xff0c;对数据里的相关表进行查询&#xff0c;就可以对查询后的新…
阅读更多...
C++ | Leetcode C++题解之第221题最大正方形

C++ | Leetcode C++题解之第221题最大正方形

题目&#xff1a; 题解&#xff1a; class Solution { public:int maximalSquare(vector<vector<char>>& matrix) {if (matrix.size() 0 || matrix[0].size() 0) {return 0;}int maxSide 0;int rows matrix.size(), columns matrix[0].size();vector<…
阅读更多...
warning: GOPATH set to GOROOT (D:\go) has no effect

warning: GOPATH set to GOROOT (D:\go) has no effect

warning: GOPATH set to GOROOT (D:\go) has no effect gopath 设置一下&#xff0c;并且不要和 goroot 设置成同一个目录
阅读更多...
学习笔记——动态路由——OSPF（特殊区域）

学习笔记——动态路由——OSPF（特殊区域）

十、OSPF特殊区域 1、技术背景 早期路由器靠CPU计算转发&#xff0c;由于硬件技术限制问题&#xff0c;因此资源不是特别充足&#xff0c;因此是要节省资源使用&#xff0c;规划是非常必要的。 OSPF路由器需要同时维护域内路由、域间路由、外部路由信息数据库。当网络规模不…
阅读更多...
Vue3中为Ant Design Vue中Modal.confirm自定义内容

Vue3中为Ant Design Vue中Modal.confirm自定义内容

在一次业务开发时代码时&#xff0c;碰到了一种既想要Modal.confirm样式&#xff0c;又想要定制其content内容的情况。 大部分情况下&#xff0c;使用Modal.method()这种方式时&#xff0c;可能content内容固定都是字符串&#xff0c;那如果想要做更高级的交互怎么办&#xff…
阅读更多...
RTK_ROS_导航(1): GNSS里程计

RTK_ROS_导航(1): GNSS里程计

目录 1. RTK 配置2. ROS驱动3. RTK融合IMU实现里程计4. 纯RTK的定位信息5. 即将实现导航&#xff0c;正在更新中&#xff0c;如果遇到问题&#xff0c;欢迎CSDN讨论... 1. RTK 配置 4G CORS 4G 网络 户外有信号&#xff0c;不能实现RTK&#xff0c;就恢复出厂设置输出报文信…
阅读更多...
kafka底层原理性能优化详解：大案例解析(第29天)

kafka底层原理性能优化详解：大案例解析(第29天)

系列文章目录 一、Kafka简介 二、Kafka架构设计 三、消息传递机制 四、实例说明&#xff08;案例解析&#xff09; 五、kafka性能优化(案例解析) 文章目录 系列文章目录前言一、Kafka简介二、Kafka架构设计1. Producer&#xff08;生产者&#xff09;&#xff1a;2. Broker&am…
阅读更多...
Check if a fine-tuned OpenAI model was successfully deleted

Check if a fine-tuned OpenAI model was successfully deleted

题意&#xff1a;检查微调后的OpenAI模型是否已成功删除 问题背景&#xff1a; I am doing some work with the OpenAI API with Python. Im working with fine-tuning and I am working on deleting an existing model and starting over again. I want to be able to check …
阅读更多...
Hive 高可用分布式部署详细步骤

Hive 高可用分布式部署详细步骤

目录 系统版本说明 hive安装包下载及解压 上传mysql-connector-java的jar包 配置环境变量 进入conf配置文件中&#xff0c;将文件重命名 在hadoop集群上创建文件夹 创建本地目录 修改hive-site.xml文件 同步到其他的节点服务器 修改node02中的配置 hive-site.xml 修改…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023