雨流法输出程序

MATLAB相机标定工具箱

matlab实现SNR，SNDR，THD，ENOB，SFDR的计算，运行时先将.txt文件放入指定目录

DBC设计实现转换

【实例简介】功能：测试雷达信号匹配滤波

【核心代码】 联合概率数据互联JPDA是数据关联算法之一，它的基本思想是：对应于观测数据落入跟踪门相交区域的情况，这些观测数据可能来源于多个目标。JPDA的目的在于计算观测数据与每一个目标之间的关联概率，且认为所有的有效回波都可能源于每个特定目标，只是它们源于不同目标的概率不同。JPDA算法的优点在于它不需要任何关于目标和杂波的先验信息，是在杂波环境中对多目标进行跟踪的较好方法之一。然而当目标和量测数目增多时，JPDA算法的计算量将出现组合爆炸现象，从而造成计算复杂。程序功能 :采用JPDA数据关联算法实现两个个匀速运动目标的点迹与航迹的关联% 输入变量 :% -target_position: 目标的初始位置% - n: 采样次数 % - T: 采样间隔% -MC_number:仿真次数% - c: 目标个数% 输出变量 :% 无

本文展示了一种自动识别视频中移动目标的方法。论文中提取移动目标通过帧序列，这种方法不需要先验知识，比如：时间阈值调整。基于相邻帧的连续对称差分，我们能得到全分辨率显著图；然后利用最大熵方法计算阈值决定候选区域和获得兴趣点的种子；最后用修改的模糊生长方法获得最终的结果。本文中提出的算法是有效的、具有鲁棒性的。实验结果也证明它具有很好的效果。移动目标检测在计算机视觉中有广泛应用，但是在研究过程中也有很多挑战。通常目标检测方法被分为三类：（1）基于时间信息。例如：帧差法能很快检测出目标，但很难得到整个物体的轮廓，并且易受背景的影响。（2）基于空间信息的。（3）基于时间和空间信息的。有较好的效果，计算复杂度高。本文提出了一种基于时间信息的方法。（1）通过相邻帧对称差分获得显著图；（2）使用最大熵模型得到一个阈值去二值化时间显著图和获得候选区域。然后选择候选区域最显著的点作为兴趣种子点。（3）对于每一兴趣种子点，在显著图上应用模糊生长方法直到没有点能被聚集和能获得移动物体的轮廓A.移动显著图的产生①获得一段连续帧②相邻帧做差分得到移动目标。③对得到的差分显著图做开运算。作用：消除小的和亮的细节。④为了去除噪声和背景运动的影响，对差分得到的显著图做和再平均。B.兴趣种子选择由于图像是连续变化的，一个固定的阈值不能很好的二值化显著图，本文采用最大熵方法得到一个变化的阈值去二值化显著图和提取候选兴趣区域。然后选择兴趣种子点。C.移动目标检测为了提取移动的目标，本论文应用模糊生长方法去使兴趣点的种子生长成一片区域。如果像素值满足下列条件，对兴趣点的种子使用模糊生长算法。a和u表示如下图实验数据集：PETS2000, PETS2001 and Dataset2014设备：The algorithm is implemented with C on a personal computer with Core i3 3.3 GHz CPU and 2G RAM.评价标准：假负率(False Negative Rate , FNR) ：FNR = FN /(TP FN) ，即被预测为负的正样本结果数/正样本实际数假正率(False Positive Rate , FPR) ：FPR = FP /(FP TN) ，即被预测为正的负样本结果数 /负样本实际数    Specificity (负例的覆盖率，True Negative Rate) =正确预测到的负例个数/实际负例总数     PBC ：Percentage of Bad Classifications召回率（Re、recall）：预测为真实正例除以所有真实正例样本的个数准确率(Precision) ：预测为真实正例除以所有被预测为正例样本的个数F-measure：查准率和查全率的调和平均值, 更接近于P, R两个数较小的那个: F=2* P* R/(P R)实验结果如下图 表一表示的是本论文实验得出的结果；Fig7和Fig8本文的实验结果与图中方法的比较，可以看出本文中的方法表现很出色。论文中的检测结果本论文的贡献共以下五点：（1）产生特征图基于时间信息。（2）对于场景不需要任何先验知识。（3）扩展了差分从相邻两帧到相邻n帧。（4）对于复杂的背景和相机的抖动具有很好的鲁棒性。（5）自动的提取移动目标。

【实例简介】基于粒子-蚁群算法的TSP旅行商问题求解

【实例简介】语音分帧实例 Matlab 运行良好 实用的例子

基于matlab的深度学习设计(源码)

【实例简介】图像变化检测算法，包含三种基础算法