【導(dǎo)讀】觀點(diǎn)和材料，均作了注釋，若有不實(shí)，后果由本人承擔(dān)。在眾多預(yù)測(cè)技術(shù)當(dāng)中，人們常常使用卡爾。曼濾波器來(lái)跟蹤目標(biāo)在運(yùn)動(dòng)情況下的軌跡。然而，卡爾曼濾波仍存在一些缺點(diǎn)：用來(lái)預(yù)測(cè)軌跡時(shí)尚缺乏精確度，為了。解決這個(gè)問(wèn)題，文中推薦另一種傳統(tǒng)濾波——低通濾波。在文中使用過(guò)程中還要考慮目標(biāo)所在的運(yùn)動(dòng)狀態(tài)。情況，則需要在級(jí)數(shù)中加入線性項(xiàng)和慣性項(xiàng)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(shí)用性，在預(yù)測(cè)中融入卡爾曼濾波共同對(duì)目標(biāo)檢測(cè)跟蹤，實(shí)驗(yàn)表明在預(yù)測(cè)軌跡跟蹤質(zhì)量中，所建議的低通濾波對(duì)。預(yù)測(cè)軌跡具有很好的效果比卡爾曼濾波更加有預(yù)測(cè)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(jì)（論文） 23致謝 2 年的大學(xué)生涯快要結(jié)束了，雖然時(shí)間短暫，但我過(guò)的十分充實(shí)。在大學(xué)生涯中，我學(xué)到不少的知識(shí)，感謝學(xué)習(xí)期間對(duì)我悉心指導(dǎo)的老師以及對(duì)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(chéng)之心。感謝陳老師在百忙中抽出大量時(shí)間來(lái)指導(dǎo)論文，時(shí)刻監(jiān)督論文的進(jìn)度，及時(shí)指出論文的錯(cuò)誤，確保論文的順利完成。 在這次寫論文的過(guò)程中，我碰到不少問(wèn)題，但是，我相信自己可以解決好這些問(wèn)題。當(dāng)我遇到論文中不能 獨(dú)自解決的時(shí)候，我積極向老師提出，接受老師的指導(dǎo)。此外，為了對(duì)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(zhēng)做到對(duì)論文細(xì)致研究。最后，感謝各位答辯老師對(duì)我論文的評(píng)審對(duì)論文的不足之處提出寶貴的批評(píng)和意見。 基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)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(jì)（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(dòng)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(jì)（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(dòng)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(jì)（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