基于HMM的卡尔曼蛇跟踪

隐马尔科夫模型 (HMM)提供了一种概率框架融合多量测信息 ,并能够通过转移概率来表达曲线的平滑性 ,以得到更准确的量测结果 利用HMM所得到的结果作为量测信息输入到卡尔曼蛇滤波系统中 ,可明显地增强抗干扰能力和跟踪的鲁棒性 从样条向量空间新的内积与范数定义出发 ,对于形状矩阵的正交化处理可以进一步增强滤波系统的稳定性 。