平台工具集：

• Windows7 64位
• Visual Studio 2017
• OpenCV 3.4.1

项目简介：

1. 在运动目标的，最常见的问题包括：光照变化、运动目标发生形变、目标被遮挡等。本项目针对运动目标被遮挡，提出BP神经网络+Kalman滤波器的联合预测模型。传统的卡尔曼预测的基本思想是：构建状态方程，由当前时刻的位置计算出下一时刻目标的位置（状态值），同时，将当前时刻的位置作为下一时刻的观测值，然后将两者的值融合，得出最优估计值，即卡尔曼滤波器预测出的目标位置。

2. 为提高预测的精准度，将神经网络引入Kalman滤波器中。根据前六个时刻目标的位置关系，用其差值对神经网络进行训练，然后再用相邻三个时刻的位置差值进行预测，得出下一时刻目标的可能位置，用神经网络的预测值代替传统卡尔曼滤波器中的观测值。

3. 用本方法构建的神经网络-Kalman滤波器模型的预测值误差要小于传统Kalman滤波器的预测值；

步骤：

1. 事先用鼠标点击保存一视频中行人的位置(每隔五帧取一个点);

2. 读取保存的点坐标，依次做差，然后构建差值矩阵。其中，输入矩阵为rows * 4，输出矩阵为rows * 2;

3. 构建BP神经网络模型，共三层，神经元个数依次为4、9、2；激活函数为Sigmoid函数:

   $f(x)=\beta \frac{1-e^{-\alpha x}}{1+e^{-\alpha x}}$

   其中，$\beta$ 和 $\alpha$ 均取值为1；

 4. 构建三阶卡尔曼滤波器($\alpha$-$\beta$-$\gamma$ 滤波器):

 $s_{k}=s_{k-1}+ v_{k-1} T+ a_{k-1}\frac{T^{2}}{2}$
        
 $v_{k}=v_{k-1}+a_{k-1}T$
        
 $a_{k}=a_{k-1}+j_{k-1}T$

 5. 读取差值矩阵，对神经网络进行训练(三组)，然后用下一组点进行预测(一组)，依次循环；

 6. 将神经网络预测点、卡尔曼状态方程预测点以及融合得到的最优估计点保存到本地文本；