里面有个基于卡尔曼滤波的视频跟踪matlab程序，还有个基于粒子滤波的视频个跟踪程序，自己验证过。

基于无迹卡尔曼滤波ukf的粒子滤波matlab程序

粒子滤波推导的博客的pdf版，详细推导了粒子滤波的由来，并且有例程代码。

压缩包中有三个粒子滤波的演示程序，一个滤波，一个目标跟踪，一个机器人定位。
关于效果，大家可以先看看http://blog.csdn.net/heyijia0327/article/details/41142679。
再决定是否下载。

粒子滤波应用到锂离子电池的简单介绍，电池状态估计，电池剩余寿命预测

粒子滤波及其原理的matlab代码，很全的入门粒子滤波的资料，

针对于扩展卡尔曼滤波(EKF)以及无迹卡尔曼滤波(UKF)等高动态信号载波跟踪算法存在跟踪精度不高的下场,付与无迹粒子滤波(UPF)算法对于高动态北斗卫星信号载波举行跟踪。
UPF算法松散粒子滤波(PF)以及无迹卡尔曼滤波,付与PF对于载波外形变量举行估量,同时使用UKF滤波器对于粒子举行权值的重新调配,处置了粒子进化下场。
经由Matlab仿真比力,基于EKF、UKF、UPF的跟踪算法的载波频率倾向距离为-15~1五、-10~十、-4~4Hz,验证了UPF算法的良好性。

咱们照常付与gmapping举行舆图构建,gmapping是一个ros自带的舆图构建货物包,付与激光以及里程计的数据天生二维舆图.而行使amcl举行已经知机械人的定位,amcl全称adaptiveMonteCarlolocalization,是一个机械人二维情景的概率定位体系,在已经知舆图的情景中,行使粒子滤波跟踪机械人的位姿.ROS中的amcl节点定阅激光数据sensor_msgs/LaserScan以及舆图数据nav_msgs/OccupancyGrid,患上到机械人的估量位姿.

在中国安防产业中视频监控作为最弥留的信息患上到本领之一，能对于目的实用的提取是弥留而底子的下场，于是本文在此配景下，缭绕对于监控视频的前景目的实用的提取下场，钻研了对于1）动态配景、动态配景的前景目的提取，能在配景繁杂化的前提下，将行为的目的；
2）带发抖视频；
3）动态配景下多摄像头对于多目的提取；
4）涌现颇为责任视频的分辨等下场。
给出了在不合情景下的前景目的提取方案。
下场一是针对于动态配景且摄像头平稳的情景下，若何对于前景目的提取的下场。
在题目申请的底子上，经由对于附件2中多少组视频的阐发，咱们发现齐全前景目的的行为临时且光线明暗变更不明晰。
由于传统的Vibe算法能抑制鬼影然则运行下场不梦想，于是付与建树在帧差法上改善的Vibe算法模子求解下场。
并以及传统的Vibe算法做比力，下场展现改善的Vibe算法明晰优于传统的算法。
并且对于咱们的算法模子做了下场评估。
详尽数据参考评释与附录。
下场二是在配景为动态（若有水波的暴发）的情景下，对于前景目的的提取下场。
在此下场中，由于动态配景存在使患上提掏出的图像帧具备大宗的干扰噪声，对于前景目的的识别以及提取组成干扰，于是咱们提出一种基于全局外表不合型的行为目的检测法。
在用Vibe算法对于场景预检测的底子上，建树稠浊高斯模子分别对于前景以及配景举行全局外表建模，将行为目的检测进去，再引入超像素去噪，进一步优化下场。
详尽下场参考评释与附录。
下场三是在下场一、二底子上的进一步深入。
下场一及下场二是建树在摄像机自身平稳的底子上，而下场三则是在摄像机发抖的情景下。
由于摄像机发抖普通具备扭转战争移，于是咱们建树了坐标变更模子，以仿射变更作为模子底子，松散改善的高精度鲁棒的RANSAC算法提取前景目的，并比力灰度投影法，比力两种模子下场。
详尽下场不雅点释与附录。
下场四是对于前三个下场的综合使用。
使用基于稠浊高斯模子配景建模Vibe算法，对于前景目的举行提取；
选出具备明晰前景目的的参考帧，盘算参考帧中明晰前景目的所占的面积，并将此面积设定为阈值T，遍历齐全的视频帧，盘算其前景目的所占的面积，经由相减比力，判断明晰前景目的。
若判断为明晰前景目的则输入其地址视频帧中的帧号，并将明晰前景涌现的总帧数削减1。
下场五是针对于多摄像头多目的的协同跟踪下场。
在下场二的稠浊高斯模子底子上咱们建树了动态配景提取法，对于络续变更的配景举行实时更新。
再行使单应性解放法对于多目的暴发重叠征兆举行投影将重叠目的区并吞来，对于目的举行定位。
由于目的的络续行为，咱们付与粒子滤波法对于前景目的举行实时跟踪，经由多摄像头的协同通讯实现对于多前景目的的检测。
下场六是针对于监控视频中前景目的涌现颇为情景时候辨能否有颇为责任的下场。
在基于怪异展现的模子上，引入稠浊高斯模子用于学习不合尺度的行为特色法则，而后经由各个单高斯模子中的均值建树一个相似矩阵作为字典。
以测试阶段天生的核矢量为底子，用该部份特色的核矢量盘算基于怪异展现的重构倾向，并将其与已经设定的阈值举行比力，假如重构倾向大于阈值，则判为颇为。

卡尔曼（EKFUKF）滤波、粒子（PF）滤波货物箱，老外编的，用起来很不错，有开辟性

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。