文件帮助中心文件
从检测报告创建恒定速度线性卡尔曼滤波器
filter = initcvkf(检测)
例子
筛选= initcvkf(检测)创建并初始化恒定速度线性卡尔曼筛选从包含的信息检测报告。有关Linear Kalman滤波器的更多信息,请参阅trackingkf.。
筛选= initcvkf(检测)
筛选
检测
trackingkf.
该函数用与相同的惯例初始化恒定速度状态Constvel.和cvmeas.,[X;V.X;y;V.y;Z.;V.Z.]。
Constvel.
cvmeas.
全部收缩
从初始检测报告创建和初始化2-D线性Kalman过滤器对象。
从初始2-D测量(10,20),对象位置创建检测报告。
检测= ObjectDetection(0,[10; 20],'MeasurementNoise',[1 0.2;0.2 2],......'sensorindex',1,'objectclassid',1,'ObjectAttributes',{'黄色车',5});
从检测报告创建新曲目。
Filter = TrackingKF具有属性:状态:[4x1 Double] StateCovariance:[4x4 Double] MotionModel:'2D恒流'控制模型:[] ProcessNoise:[4x4 Double] MeasurementModel:[2x4 Double] MeasurementNoise:[2x2双]启用:0
显示国家。
filter.state.
ans =.4×110 0 20 0
显示状态转换模型。
filter.stateTransitionModel.
ans =.4×4.1 1 0 0 0 1 0 0 0 0 1 1 0 0 0 1
从初始检测报告创建和初始化3-D线性Kalman过滤器对象。
从初始3-D测量创建检测报告(10,20,-5),对象位置。
检测= ObjectDetection(0,[10; 20; -5],'MeasurementNoise',眼睛(3),......'sensorindex',1,'objectclassid',1,'ObjectAttributes',{'绿色车',5});
从检测报告创建新筛选器并显示其属性。
Filter = PackingingKF具有属性:状态:[6x1双] StateCovariance:[6x6 Double] MotionModel:'3D恒定速度'控制模型:[] ProcessNoise:[6x6 Double] MeasurementModel:[3x6 Double] MeasurementNoise:[3x3双]启用:0
ans =.6×110 0 20 0 -5 0
ans =.6×6.1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1
ObjectDetection.
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])
线性卡尔曼滤波器,作为一个返回trackingkf.目的。
该功能假设一秒秒的时间步长和1米/秒的加速标准偏差计算过程噪声矩阵2。
您可以使用此功能FilterInitializationFCN.A的财产MultiObjectTracker.目的。
FilterInitializationFCN.
MultiObjectTracker.
initcaekf.
initcakf.
initcaukf.
initctekf.
initctukf.
initcvekf.
initcvukf.
trackingekf.
trackingukf.
您有此示例的修改版本。您是否希望使用您的编辑打开此示例?
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx
选择一个网站,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。
联系您当地的办公室