【车辆计数】光流法行驶车辆检测计数【含Matlab源码 627期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、光流场简介

1 案例背景
运动视觉研究的内容是如何从变化场景中的一系列不同时刻的图像中提取有关场景中物体的形状、位置和运动的信息。根据研究的方法，它可以分为两类：基于特征的方法和基于光流场的方法。基于特征的方法抽取特征点，是离散的；光流场属于运动数据研究范畴，是基于连续的图像序列，并直接对其进行运动估计，可以求得图像中每一像素处所对应物体的运动信息。
当物体运动时， 在图像上对应物体的亮度模式也在运动。光流(Optical Flow) 是指图像中亮度模式运动的速度，光流场是一种二维瞬时速度场，它是景物中可见点的三维速度矢量在成像表面的投影。光流不仅包含了被观察物体的运动信息，而且携带着有关场景的三维结构信息。本案例基于Computer Vision System Toolbox， 使用光流场算法对交通视频中汽车的运动进行检测和估计。

2 理论基础
2.1光流法检测运动原理
光流场是指图像灰度模式的表观运动，它是一种像素级的运动。光流法检测运动物体的基本原理是：根据各个像素点的速度矢量特征，可以对图像进行动态分析。如果图像中没有运动物体，则光流矢量在整个图像区域是连续变化的；当图像中有运动物体时，由于目标和图像背景存在相对运动，所以运动物体所形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动物体及其位置。但是光流法的优点在于，光流不仅携带了运动物体的运动信息，还携带了有关三维结构的丰富信息，它能够在不知道场景任何信息的情况下，检测出运动的图像。基于光流场的运动检测的步骤如图1所示。在理想情况下，光流场和二维运动场互相吻合，但这一命题不总是对的。如图2所示，一个均匀球体在某一光源照射下，亮度呈现一定的明暗模式。当球体绕中心轴旋转时，明暗模式并不随着表面运动，所以图像也没有变化，此时光流在任意地方都等于零，然而运动场却不等于零。如果球体不动而光源运动，则明暗模式将开始随着光源运动，此时光流不等于零但运动场为零。

图1基于光流场的运动检测的步骤 图2光流场和运动场的联系和区别
光流场的方法能够较好地用于二维运动估计，它也可以同时给出全局点的运动估计，但是光流场并不等价于运动场，因此其本身必然存在着一些问题：遮挡问题、孔径问题、光照问题等。

2.2 光流的主要计算方法
光流场的计算主要有基于梯度的方法、基于匹配的方法、基于能量的方法和基于相位的方法。另外，近几年神经网络动力学也颇受学者重视。基于梯度的方法利用图像灰度的梯度来计算光流，是研究得最多的方法，比如Horn-S chun ck算法、Lucas-Kanade算法和Nagel算法。基于梯度的方法以运动前后图像灰度保持不变作为先决条件，导出光流约束方程。由于光流约束方程并不能唯一地确定光流，因此需要导入其他约束。根据引入的约束不同，基于梯度的方法又可以分为全局约束方法和局部约束方法。全局约束的方法假定光流在整个图像范围内满足一定的约束条件；而局部约束的方法假定在给定点周围的一个小区域内，光流满足一定的约束条件。
基于匹配的方法包括基于特征匹配和基于区域匹配两种。基于区域匹配技术在视频编码中得到了广泛应用，它通过对图像序列中相邻两帧图像间的子块匹配来进行运动估值。在区域匹配算法中，图像被分割为子块，子块中所有像素的运动被认为是相同的，由于复杂的运动可以被近似地分解为一组平移运动之和，所以区域匹配算法采用的运动模型假设图像中的运动物体由做平移运动的刚体组成，且假设在图像场景中没有大的遮挡物。
基于能量的方法首先要对输入图像序列进行时空滤波处理，这是一种时间和空间整合。对于均匀的流场，要获得正确的速度估计，这种时空整合是非常必要的。然而，这样做会降低光流估计的空间和时间分辨率。尤其是当时空整合区域包含几个运动成分(如运动边缘)时，估计精度将会恶化。此外，基于能量的光流技术涉及大量的滤波器，因此存在高计算负荷的问题。然而可以预期，随着相应硬件的发展，在不久的将来，滤波将不再是一个严重的限制因素，所有这些技术都可以在帧速下加以实现。
基于相位的方法由Fleet和Jepson提出， 该算法根据带通滤波器输出的相位特性来确定光流。通过与带通速度调谐滤波器输出中的等相位轮廓相垂直的瞬时运动来定义分速度。带通滤波器按照尺度、速度和定向来分离输入信号。基于相位的光流技术的综合性能比较优秀，光流估计比较精确且具有较高的空间分辨率，对图像序列的适用范围也比较宽。
对于光流计算来讲，如果说前面的基于能量或相位的模型有一定的生物合理性的话，那么近几年出现的利用神经网络建立的视觉运动感知的神经动力学模型则是对生物视觉系统功能与结构的更为直接的模拟。尽管现有的神经动力学模型还不成熟，然而这些方法及其结论为其进一步研究打下了良好的基础，是将神经机制引入运动计算方面所做的极有意义的尝试。
目前，对光流的研究方兴未艾，新的计算方法还在不断涌现。这里对光流技术的发展趋势与方向提出以下看法。
(1)现有技术有各自的优点与缺陷，方法之间相互结合，优势互补，建立光流计算的多阶段或分层模型是光流技术发展的一个趋势。
(2)通过深入的研究发现，现有光流方法之间有许多共通之处。如微分法和匹配法的前提假设极为相似；某些基于能量的方法等效于区域匹配技术；而相位方法则将相位梯度用于法向速度的计算。
(3)尽管光流计算的神经动力学方法还很不成熟，然而对它的研究却具有极其深远的意义。随着生物视觉研究的不断深入，神经网络方法无疑会不断完善，也许光流计算乃至计算机视觉的根本出路就在于神经机制的引入。

2.3 梯度光流场约束方程
假定像素点(x，y)在1时刻的灰度值为I(x，y，t)，在1+dr时刻，该像素点运动到新的位置(x+dx，y+dy)，此时对应的灰度值为I(x+dx，y+dy，t+dr)。根据图像的一致性假设，当dt→0时，图像沿着运动轨迹的亮度保持不变，即：I(x，y，t)=I(x+dx，y+dy，t+dt)(23.1)
如果图像灰度随(x，y，t)缓慢变换，则将(23.1)式进行泰勒级数展开：
（1）
如果图像灰度随(x，y，t)缓慢变换，则将(1)式进行泰勒级数展开：

于是



式中，VI-[1…1，]表示梯度方向；U=[u，可表示光流。(23.4)式称为光流约束方程，是
所有基于梯度的光流计算方法的基础。
考虑由u和v组成的二维空间，那么(4)式定义了一条直线，所有满足约束方程的U=[u，都在该直线上，如图3所示，该直线和梯度VI-[1…1，]垂直。由于光流约束方程包含u和v两个未知量，显然由一个方程并不能唯一确定，为了求解光流场，必须引入新的约束条件。

图3光流基本方程所确定的约束线
根据约束条件的不同，梯度光流法又分为全局约束方法和局部约束方法。全局约束方法假定光流在整个图像范围内满足一定的约束条件，而局部约束的方法假定在给定像素点周围的一个小区域内，光流满足于一定的约束条件。常用的基于梯度的光流计算方法如下。
（1）运动场平滑
Horn-S chun ck假设光流在整个图像上光滑变化， 即运动场既满足光流约束方程又满足全局平滑性。将光滑性测度同加权微分约束测度组合起来，其中加权参数控制图像流约束微分和光滑性微分之间的平衡。
（2）预测校正
Lucas-kanade假设在一个小的空间邻域上运动矢量保持恒定， 然后使用加权最小二乘的思想来估计光流，它是一种基于像素递归的光流算法，就是预测校正型的位移估算器。预测值可以作为前一个像素位置的运动估算值，或作为当前像素邻域内的运动估算线性组合。依据该像素上的位移帧差的梯度最小值，对预测做进一步的修正。
（3）平滑约束
与Hom-S chun ck算法一样， Nagel也使用了全局平滑约束来建立光流误差测度函数，
但是Nagel提出的一种面向平滑的约束， 并不是强加在亮度梯度变化最剧烈的方向(比如
边缘方向)上的，这样做的目的是为了处理遮挡。

2.4 Horn-S chun ck光流算法
Horn-S chun ck算法是一种全局约束的方法， 其提出了光流的平滑性约束条件， 即图像
上任一点的光流并不是独立的，光流在整个图像范围内平滑变化。所谓平滑，就是在给定
邻域内其速度分量平方和积分最小：

在实际情况下，(5)式可以使用下面的表达式代替：

式中，u和▼分别表示u邻域和v邻域中的均值。
根据光流基本方程(4) 式考虑光流误差， Horn-S chun ck算法将光流求解归结为如下极值问题：

式中，入控制平滑度，它的取值要考虑图中的噪声情况，如果噪声较强，则说明图像数据
本身的置信度较低，需要更多地依赖光流约束，所以1可以取较大的值；反之，可以取较
小的值。

⛄二、部分源代码

clear;close all;
SE = strel(‘rectangle’,[10 10]); %注意:结构元素必须具有适当的大小
BW1=imread(‘test5.jpg’);
subplot(221);imshow(BW1);title(‘原图’);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%添加
GRAY=rgb2gray(BW1); %灰度图像1
h=fspecial(‘average’,9);
GRAY=uint8(round(filter2(h,GRAY))); %进行均值滤波
subplot(222);imshow(GRAY);title(‘均值滤波’);
GRAY = imcrop(GRAY,[10 20 542 355]); %裁剪
GRAY=double(GRAY); %转换为double类型
[Gx,Gy]=gradient(GRAY); % 计算梯度
G=sqrt(Gx.*Gx+Gy.Gy); % 水平垂直差分
J=GRAY;
K=find(G<2); %指定灰度级
J(K)=0;
subplot(223);imshow(J);title(‘锐化’);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
BW2=imdilate(J,SE);%膨胀
BW3 = imfill(BW2,‘holes’); %填充
BW4=imerode(BW3,SE);%腐蚀
I=im2bw(BW4);
subplot(224);imshow(I);title(‘目标块’);
%==形态特征值计算=%
A=bwarea(I); % 计算目标的面积
I1=edge(I,‘canny’,0.7);
[L, num]=bwlabel(I1,8);%存放提取的目标矩阵和数目
STATS = regionprops(L,‘BoundingBox’);
% 存放经过筛选以后得到的所有矩形块
n = 1;
wh=zeros(1,num);
for i=1:num
box = STATS(i).BoundingBox; %图像的长宽
x = box(1); %矩形坐标x
y = box(2); %矩形坐标y
w = box(3); %矩形宽度w
h = box(4); %矩形高度h
wh(1,i)=wh;
ux = ceil(x); %取整
uy = ceil(y);
if ux > 1
ux = ux - 1;
end
if uy > 1

 end  
 %result(n,:) = [ux uy w h];
     R=zeros(h,w);
     G=zeros(h,w);
     B=zeros(h,w);
    for j=1:w
        for ii=1:h
            R(ii,j)=BW1(ii+uy-1,j+ux-1,1);
            
            B(ii,j)=BW1(ii+uy-1,j+ux-1,3);
        end
    end
   % r(1,n)=mean(mean(R))
   % g(1,n)=mean(mean(G))
   % b(1,n)=mean(mean(B))
   % n = n+1;
  
    if(r(1,i)>130&&g(1,i)<130&&b(1,i)<130)
        disp('检测出车辆是红色')
    elseif(r(1,i)<130&&g(1,i)>130&&b(1,i)<130)
        disp('检测出车辆是绿色')
    elseif(r(1,i)<130&&g(1,i)<130&&b(1,i)>130)
        disp('检测出车辆是蓝色')
    elseif(r(1,i)<80&&g(1,i)<80&&b(1,i)<80)
        disp('检测出车辆是黑色')
    elseif(r(1,i)>170&&g(1,i)>170&&b(1,i)>170)
        disp('检测出车辆是白色')
    else
        disp('检测出车辆是其他色')
    end

end
% 创建系统对象，用于显示结果
sz = get(0,‘ScreenSize’);
pos = [20 sz(4)-300 200 200];
hVideoOrig = vision.VideoPlayer(‘Name’, ‘Original’, ‘Position’, pos);
pos(1) = pos(1)+220; %在右侧建立下一个视窗
hVideoFg = vision.VideoPlayer(‘Name’, ‘Foreground’, ‘Position’, pos);
pos(1) = pos(1)+220;
hVideoRes = vision.VideoPlayer(‘Name’, ‘Results’, ‘Position’, pos);
line_row = 23; % 定义感兴趣区域(ROI)
% 以下的程序段为对输入的视频图像进行处理
while ~isDone(hvfr)
image = step(hvfr); % 读入视频的每一帧
y = step(hcsc, image); % 将彩色图像转换成灰度图像
% 采用自动白平衡算法去除灰度突变
y = y-mean(y(😃);
fg_image = step(hfdet, y); % 检验背景
% 采用数学形态学，在前景图像中检测变化的联通图像块区域的面积
[area, bbox] = step(hblob, fg_image);
image_out = image;

end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]汤石晨,陈锻生.基于光流法和行人面积特征的人数统计方法研究[J].图学学报. 2013,34(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合