【導(dǎo)讀】觀點和材料，均作了注釋，若有不實，后果由本人承擔(dān)。在眾多預(yù)測技術(shù)當(dāng)中，人們常常使用卡爾。曼濾波器來跟蹤目標(biāo)在運(yùn)動情況下的軌跡。然而，卡爾曼濾波仍存在一些缺點：用來預(yù)測軌跡時尚缺乏精確度，為了。解決這個問題，文中推薦另一種傳統(tǒng)濾波——低通濾波。在文中使用過程中還要考慮目標(biāo)所在的運(yùn)動狀態(tài)。情況，則需要在級數(shù)中加入線性項和慣性項算法，這兩種算法分別代表高機(jī)性和非高機(jī)性兩種狀況。波的實用性，在預(yù)測中融入卡爾曼濾波共同對目標(biāo)檢測跟蹤，實驗表明在預(yù)測軌跡跟蹤質(zhì)量中，所建議的低通濾波對。預(yù)測軌跡具有很好的效果比卡爾曼濾波更加有預(yù)測能力，從而證明了它的可行性。

　　

【正文】 ision Conference (20xx CCDC) 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計（論文） 23致謝 2 年的大學(xué)生涯快要結(jié)束了，雖然時間短暫，但我過的十分充實。在大學(xué)生涯中，我學(xué)到不少的知識，感謝學(xué)習(xí)期間對我悉心指導(dǎo)的老師以及對我生活給以幫助的同學(xué)們。在短暫的畢業(yè)論文期間，我要感謝幫助我的陳懇導(dǎo)師，在他身上我看到他的嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，細(xì)心指導(dǎo)學(xué)生的熱誠之心。感謝陳老師在百忙中抽出大量時間來指導(dǎo)論文，時刻監(jiān)督論文的進(jìn)度，及時指出論文的錯誤，確保論文的順利完成。 在這次寫論文的過程中，我碰到不少問題，但是，我相信自己可以解決好這些問題。當(dāng)我遇到論文中不能 獨自解決的時候，我積極向老師提出，接受老師的指導(dǎo)。此外，為了對本論文中課題的深入探索，我搜索網(wǎng)上的資料并且還和網(wǎng)上朋友進(jìn)行探討，力爭做到對論文細(xì)致研究。最后，感謝各位答辯老師對我論文的評審對論文的不足之處提出寶貴的批評和意見。 基于加強(qiáng)型低通濾波算法的高機(jī)動性視頻目標(biāo)跟蹤 附錄 clear all。 Im1 = double(imread(39。39。,39。bmp39。))。 [M,N,Dim] = size(Im1)。 dt=。 A=[[1,0,0,0]39。,[0,1,0,0]39。,[dt,0,1,0]39。,[0,dt,0,1]39。]。 g = 。 Bu = [0,*g,0,g]39。 C=[[1,0]39。,[0,1]39。,[0,0]39。,[0,0]39。]。 Q=1*eye(4)。 r11_act=。 r22_act=。 R_act=[[r11_act,0]39。,[0 r22_act]39。]。 r11_kf=。 r22_kf=。 R_kf=[[r11_kf,0]39。,[0 r22_kf]39。]。 P_post = 10*eye(4)。 i_init=0。 tm=。 num_of_frm=62。 X_trk_lpf=zeros(num_of_frm,4)。 X_prio_store=zeros(num_of_frm,4)。 X_post=zeros(num_of_frm,4)。 threshold_vy=11。 MAR_y=zeros(num_of_frm,1)。 ind_mar=1。 alpha1=。 beta1=。 alpha2=。 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計（論文） 25beta2=14。 for i = 1 : num_of_frm if i 10 Im = (imread([39。ball3_039。,int2str(i), 39。.bmp39。],39。bmp39。))。 else Im = (imread([39。ball3_39。,int2str(i), 39。.bmp39。],39。bmp39。))。 end figure(1) clf imshow(Im) pause(tm) Imwork = double(Im)。 [cx(i),cy(i),radius,flag]=extractobj_LF(Imwork,M,N,i,tm)。 [cx(i) cy(i) radius]。 figure(1) hold on for c = radius: radius/20 : radius r = sqrt(abs(radius^2c^2))。 plot(cx(i)+c,cy(i)+r,39。g.39。) plot(cx(i)+c,cy(i)r,39。g.39。) end pause(tm) cx_noise(i)=cx(i)。 cy_noise(i)=cy(i)。 if i4 vy_noise(i1)=cy_noise(i1) cy_noise(i2)。 DELTA_vy(i) = cy_noise(i) 2*cy_noise(i1) + cy_noise(i2)。 end if i4 [y_hatk] = lpfilter_forCCDC11_LPF(cy_noise(i1),cy_noise(i2), 基于加強(qiáng)型低通濾波算法的高機(jī)動性視頻目標(biāo)跟蹤 cy_noise(i3), cy_noise(i4), cy_noise(i1), cy_noise(i2), vy_noise(i1), alpha1, beta1)。 if abs(DELTA_vy(i))50 [y_hatk] = lpfilter_forCCDC11_LPF(cy_noise(i1),cy_noise(i2), cy_noise(i3), cy_noise(i4), cy_noise(i1), cy_noise(i2), vy_noise(i1), alpha2, beta2)。 end X_trk_lpf(i,2) y_hatk。 end if i_init==0 X_prio= [M/2,N/2,0,0]39。 else X_prio= A*X_post(i1,:)39。 + Bu。 end i_init=1。 P_prio= A*P_post*A39。 + Q。 K = P_prio*C39。*inv(C*P_prio*C39。+R_kf)。 X_post(i,:) = (X_prio + K*([cx_noise(i),cy_noise(i)]39。 C*X_prio))39。 P_post = (eye(4)K*C)*P_prio。 [cx(i),cy(i)]。 [cx_noise(i),cy_noise(i)]。 X_post(i,:)。 X_prio_store(i,:)=X_prio39。 end end trk_resid_all=[cyX_prio_store(:,2)39。]。 ii=9。 trk_resid_tmp=cyX_trk_lpf(:,2)39。 trk_resid_effect=trk_resid_tmp(ii:i)。 figure(5) plot(542cy,39。ks39。) 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計（論文） 27 axis([0 78 150 545]) hold on plot(542X_prio_store(:,2),39。db39。) hold on plot(542X_trk_lpf(:,2),39。r^39。) legend(39。True trajectory39。,39。KF predicted trajectory39。,39。LPF predicted trajectory39。) xlabel(39。Frame39。) ylabel(39。True trajectory amp。 KFLPF predicted trajectory39。) hold off figure(9) plot(abs(trk_resid_all),39。b*39。) axis([0 78 10 220]) xlabel(39。Frame39。) ylabel(39。Residual39。) hold on plot(abs(trk_resid_tmp),39。ro39。) legend(39。Residual between true and KF predicted trajectory39。,39。Residual between true and LPF predicted trajectory39。) hold off % flag = 0 if failure function [cx,cy,radius,flag]=extractobj_LF(Imwork,MX,MY,index,tm) cx = 0。 cy = 0。 radius=0。 基于加強(qiáng)型低通濾波算法的高機(jī)動性視頻目標(biāo)跟蹤 flag=0 % subtract background amp。 select pixels with a big difference as the target. fore = zeros(MX,MY)。 fore = ( (Imwork(:,:,1)=45) |(Imwork(:,:,2)=45) |(Imwork(:,:,3)=45) )。 % erode to remove small noise fore_deno = bwmorph(fore,39。erode39。,2)。 206。 % select the largest object labeled = bwlabel(fore_deno,8)。 stats = regionprops(labeled,39。basic39。)。 [N,W] = size(stats)。 if N 1 return end % get center and radius of the object. centroid = 。 radius = sqrt()。 cx = centroid(1)。 cy = centroid(2)。 flag = 1。 return lpfilter_for function [y_hatk] = lpfilter_forCCDC11_LPF(yk,yk_min_1, yk_min_2, yk_min_3, y_hatk_min_1,y_hatk_min_2, vyk_min_1, alpha, beta) A=alpha。 %% 。 %% Learning rate tried 。 。 。 。 。 。 。 B=beta。 %% 。 %% Learning rate tried 。 。 。 。 。 。 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計（論文） 29dvyk = yk 2*yk_min_1 + yk_min_2。 dvyk_min_1 = yk_min_1 2*yk_min_2 + yk_min_3。 vyk = vyk_min_1 + A*dvyk + B*dvyk_min_1。 y_hatk=(4/3)*y_hatk_min_1 (1/3)*y_hatk_min_2 + (2/3)*vyk。 return