谁有粒子滤波C++实现的代码

程序流程：

1.命令行参数处理 －>

2.设置随机数生成器环境，创建随机数生成器、并且对其初始化。->

3.初始化视频句柄 －>

4.取视频中的一帧进行处理 －>

1）GRB－>HSV

2）保存当前帧在frames

3) 判断是否为坦裂谈第一帧，

若是则，源悄

（1）忙等用户选定欲跟踪的区域

（2）计算相关区域直方图

（3）得到跟踪粒子

若不是则，

（1）对每个粒子作变换，并计算每个粒子的权重

（2）对粒子集合进行归一化

（3）重新采样粒子

4）画出粒子所代表的区域

5.释放图像

OpenCV学习——物体跟踪的粒子滤波算法实现之命令行参数处理

void arg_parse( int argc, char** argv )

{

int i = 0

pname = remove_path( argv[0] )

while( TRUE )

{

char* arg_check

int arg = getopt( argc, argv, OPTIONS )

if( arg == -1 )

break

switch( arg )

{

case 'h':

usage( pname )

exit(0)

break

case 'a':

show_all = TRUE

break

case 'o':

export = TRUE

break

case 'p':

if( ! optarg )

fatal_error( "error parsing arguments at -%c\n"\

"Try '%s -h' for help.", arg, pname )

num_particles = strtol( optarg, &arg_check, 10 )

if( arg_check == optarg || *arg_check != '\0' )

fatal_error( "-%c option requires an integer argument\n"\

"Try '%s -h' for help.", arg, pname )

break

default:

fatal_error( "-%c: invalid option\nTry '%s -h' for help.",

optopt, pname )

}

}

if( argc - optind <1 )

fatal_error( "no input image specified.\nTry '%s -h' for help.", pname )

if( argc - optind >2 )

fatal_error( "too many arguments.\nTry '%s -h' for help.", pname )

vid_file = argv[optind]

}

作者让碰使用Getopt这个系统函数对命令行进行解析，－h表示显示帮助，－a表示将所有粒子所代表的位置都显示出来，－o表示输出tracking的帧，－p number进行粒子数的设定，然后再最后指定要处理的视频文件。

OpenCV学习——物体跟踪的粒子滤波算法实现之RGB->HSV

IplImage* bgr2hsv( IplImage* bgr )

{

IplImage* bgr32f, * hsv

bgr32f = cvCreateImage( cvGetSize(bgr), IPL_DEPTH_32F, 3 )

hsv = cvCreateImage( cvGetSize(bgr), IPL_DEPTH_32F, 3 )

cvConvertScale( bgr, bgr32f, 1.0 / 255.0, 0 )

cvCvtColor( bgr32f, hsv, CV_BGR2HSV )

cvReleaseImage( &bgr32f )

return hsv

}

程序现将图像的像素值归一化，然后使用OpenCV中的cvCvtcolor函数将图像从RGB空间转换到HSV空间。

OpenCV学习——物体跟踪的粒子滤波算法实现之设定随机数

gsl_rng_env_setup()//setup the enviorment of random number generator

rng = gsl_rng_alloc( gsl_rng_mt19937 )//create a random number generator

gsl_rng_set( rng, time(NULL) )//initializes the random number generator.

作者使用GSL库进行随机数的产生，GSL是GNU的科学计算库，其中手册中random部分所述进行随机数生成有三个步骤：

随机数生成器环境建立，随机数生成器的创建，随机数生成器的初始化。

OpenCV学习——物体跟踪的粒子滤波算法实现之计算选定区域直方图

histogram** compute_ref_histos( IplImage* frame, CvRect* regions, int n )

{

histogram** histos = malloc( n * sizeof( histogram* ) )

IplImage* tmp

int i

for( i = 0i <ni++ )

{

cvSetImageROI( frame, regions[i] )//set the region of interest

tmp = cvCreateImage( cvGetSize( frame ), IPL_DEPTH_32F, 3 )

cvCopy( frame, tmp, NULL )

cvResetImageROI( frame )//free the ROI

histos[i] = calc_histogram( &tmp, 1 )//calculate the hisrogram

normalize_histogram( histos[i] )//Normalizes a histogram so all bins sum to 1.0

cvReleaseImage( &tmp )

}

return histos

}

程序中先设置了一个类型为histogram的指向指针的指针，是histogram指针数组的指针，这个数组是多个选定区域的直方图数据存放的位置。然后对于每一个用户指定的区域，在第一帧中都进行了ROI区域设置，通过对ROI区域的设置取出选定区域，交给函数calc_histogram计算出直方图，并使用normalize_histogram对直方图进行归一化。

计算直方图的函数详解如下：

histogram* calc_histogram( IplImage** imgs, int n )

{

IplImage* img

histogram* histo

IplImage* h, * s, * v

float* hist

int i, r, c, bin

histo = malloc( sizeof(histogram) )

histo->n = NH*NS + NV

hist = histo->histo

memset( hist, 0, histo->n * sizeof(float) )

for( i = 0i <ni++ )

{

img = imgs[i]

h = cvCreateImage( cvGetSize(img), IPL_DEPTH_32F, 1 )

s = cvCreateImage( cvGetSize(img), IPL_DEPTH_32F, 1 )

v = cvCreateImage( cvGetSize(img), IPL_DEPTH_32F, 1 )

cvCvtPixToPlane( img, h, s, v, NULL )

for( r = 0r <img->heightr++ )

for( c = 0c <img->widthc++ )

{

bin = histo_bin( pixval32f( h, r, c ),

pixval32f( s, r, c ),

pixval32f( v, r, c ) )

hist[bin] += 1

}

cvReleaseImage( &h )

cvReleaseImage( &s )

cvReleaseImage( &v )

}

return histo

}

这个函数将h、s、 v分别取出，然后以从上到下，从左到右的方式遍历以函数histo_bin的评判规则放入相应的bin中（很形象的）。函数histo_bin的评判规则详见下图：

｜－－－－｜－－－－｜－－－－｜。。。。｜－－－－｜－－－－－－｜－－－－－－｜。。。。｜－－－－－－－｜

1NH 2NH 3NHNS＊NHNS＊NH＋1NS*NH+2 NS＊NH＋NV

OpenCV学习——物体跟踪的粒子滤波算法实现之初始化粒子集

particle* init_distribution( CvRect* regions, histogram** histos, int n, int p)

{

particle* particles

int np

float x, y

int i, j, width, height, k = 0

particles = malloc( p * sizeof( particle ) )

np = p / n

for( i = 0i <ni++ )

{

width = regions[i].width

height = regions[i].height

x = regions[i].x + width / 2

y = regions[i].y + height / 2

for( j = 0j <npj++ )

{

particles[k].x0 = particles[k].xp = particles[k].x = x

particles[k].y0 = particles[k].yp = particles[k].y = y

particles[k].sp = particles[k].s = 1.0

particles[k].width = width

particles[k].height = height

particles[k].histo = histos[i]

particles[k++].w = 0

}

}

i = 0

while( k <p )

{

width = regions[i].width

height = regions[i].height

x = regions[i].x + width / 2

y = regions[i].y + height / 2

particles[k].x0 = particles[k].xp = particles[k].x = x

particles[k].y0 = particles[k].yp = particles[k].y = y

particles[k].sp = particles[k].s = 1.0

particles[k].width = width

particles[k].height = height

particles[k].histo = histos[i]

particles[k++].w = 0

i = ( i + 1 ) % n

}

return particles

}

程序中的变量np是指若有多个区域n，则一个区域内的粒子数为p/n，这样粒子的总数为p。然后程序对每个区域（n个）中p/n个粒子进行初始化，三个位置坐标都为选定区域的中点，比例都为1，宽度和高度为选定区域的高度。然后又跑了个循环确定p个粒子被初始化。

OpenCV学习——物体跟踪的粒子滤波算法实现之粒子集合变换

particle transition( particle p, int w, int h, gsl_rng* rng )

{

float x, y, s

particle pn

x = A1 * ( p.x - p.x0 ) + A2 * ( p.xp - p.x0 ) +

B0 * gsl_ran_gaussian( rng, TRANS_X_STD ) + p.x0

pn.x = MAX( 0.0, MIN( (float)w - 1.0, x ) )

y = A1 * ( p.y - p.y0 ) + A2 * ( p.yp - p.y0 ) +

B0 * gsl_ran_gaussian( rng, TRANS_Y_STD ) + p.y0

pn.y = MAX( 0.0, MIN( (float)h - 1.0, y ) )

s = A1 * ( p.s - 1.0 ) + A2 * ( p.sp - 1.0 ) +

B0 * gsl_ran_gaussian( rng, TRANS_S_STD ) + 1.0

pn.s = MAX( 0.1, s )

pn.xp = p.x

pn.yp = p.y

pn.sp = p.s

pn.x0 = p.x0

pn.y0 = p.y0

pn.width = p.width

pn.height = p.height

pn.histo = p.histo

pn.w = 0

return pn

}

程序使用动态二阶自回归模型作为基本变换思路，变换的对象有坐标x，坐标y，和比例s。变换的x和y要符合在width和height之内的条件。

OpenCV学习——物体跟踪的粒子滤波算法实现之粒子集重新采样

particle* resample( particle* particles, int n )

{

particle* new_particles

int i, j, np, k = 0

qsort( particles, n, sizeof( particle ), &particle_cmp )

new_particles = malloc( n * sizeof( particle ) )

for( i = 0i <ni++ )

{

np = cvRound( particles[i].w * n )

for( j = 0j <npj++ )

{

new_particles[k++] = particles[i]

if( k == n )

goto exit

}

}

while( k <n )

new_particles[k++] = particles[0]

exit:

return new_particles

}

程序先使用C标准库中的qsort排序函数，按照权重，由大到小将原粒子集排序。然后将权重大的在新的粒子集中分配的多一点。

OpenCV学习——物体跟踪的粒子滤波算法实现之权重归一化

void normalize_weights( particle* particles, int n )

{

float sum = 0

int i

for( i = 0i <ni++ )

sum += particles[i].w

for( i = 0i <ni++ )

particles[i].w /= sum

}

Python break语句，就像在C语言中，打破了最小封咐培闭for或while循环。衡世唯

break语句用来终止循环语句，即循环条件没有False条件或者序列还没被完全递归完，也会停止执行循环语句。

break语句用在while和for循环中。

如果您使用嵌返盯套循环，break语句将停止执行最深层的循环，并开始执行下一行代码。

这个话题扩展开去就太大了...简单说一下吧

无人机本身是个非常综合性的系统。就基本的核心的飞行控制部分来说，一般包括内环和外环。内环负责控制飞机的姿态，外环负责控制飞机在三维空间的运动轨迹。

高端的无人机，依靠高精度的加速度计和激光陀螺等先进的传感器（现在流行的都是基于捷连惯导而不是平台式），计算维持飞机的姿态。低端的型号则用一些MEMS器件来做姿态估算。但它们的数学原理基本是相同的。具体的算法根据硬件平台的能力，可能采用离散余弦矩阵/四元数/双子样/多子样....

高端的无人机猜启，AHRS/IMU采用的基本都是民航或者军用的著名产品。例如全球鹰的利顿LN-100G/LN-200等。这些系统价格昂贵但精密，内部往往是零锁激光陀螺之类。例如歼码LN-100G的GPS-INS组合，即使丢失GPS，靠惯性器件漂移仍可以控制在120m/min。

低端的无人机就没那么精密讲究了，一般都依赖GPS等定位系统来进行外环控制，内环用MEMS陀螺和加速度计进行姿态估算。

如果把无人机看成一个完整的系统，那么还需要很多其他支持，例如任务规划，地面跟踪等等....

进行无人机编程，得看你具体是指哪方面。如果是飞控系统，你得需要比较扎实的数学知识，对各种矩阵运算/控制率什么的有深刻的了解。如果只是希望现有的带飞控的平台去做一些任务，那么需要根据具体的平台穗改如来考虑。有些平台提供了任务编辑器，甚至更灵活的任务脚本。

著作权归作者所有。

---