gmphd

Гауссов смешанный (GM) PHD фильтр

Описание

The gmphd объект является фильтром, который реализует плотность гипотезы вероятностей (PHD), используя смесь гауссовских компонентов. Фильтр принимает, что целевые состояния являются Гауссовыми и представляет эти состояния, используя смесь Гауссовых компонентов. Можно использовать gmphd фильтровать, чтобы отслеживать расширенные объекты или целевые точки. При отслеживании объект точки возвратов самое большее одно задержание на скан датчика, и расширенный объект может возвращать несколько обнаружений на скан датчика.

Можно непосредственно создать gmphd фильтр. Можно также инициализировать gmphd фильтр, используемый с trackerPHD путем определения FilterInitializationFcn свойство trackingSensorConfiguration. Вы можете использовать предоставленный initcvgmphd, initctgmphd, initcagmphd, и initctrectgmphd как функции инициализации. Или можно создать свои собственные функции инициализации.

Создание

Синтаксис

phd = gmphd

phd = gmphd(states,stateCovariances)

phd = gmphd(states,stateCovariances,Name,Value)

Описание

phd = gmphd создает gmphd фильтр со значениями свойств по умолчанию.

phd = gmphd(states,stateCovariances) позволяет вам задать состояния и соответствующие ковариации состояний Гауссова распределения для каждого компонента в плотности. states и stateCovariances установите States и StateCovariances свойства фильтра.

пример

phd = gmphd(states,stateCovariances,Name,Value) также позволяет вам задать свойства для фильтра, используя одну или несколько пары "имя-значение". Заключайте каждое имя свойства в кавычки.

Свойства

расширить все

`States` - Состояние каждого компонента в фильтре
P -by - N матрица

Состояние каждого компонента в фильтре, заданное как P -by - N матрица, где P - размерность состояния, а N - количество компонентов. Каждый столбец матрицы соответствует состоянию одного компонента. Значение по умолчанию для States является матрицей 6 на 2, в которой элементы первого столбца все 0, а элементы второго столбца все 1.

Типы данных: single | double

`StateCovariances` - Оценка состояния ковариации ошибки каждого компонента в фильтре
P -by- P -by- N массив

Ковариация ошибки оценки состояния каждого компонента в фильтре, заданная как P -by P -by - N массив, где P - размерность состояния, а N - количество компонентов. Каждая страница (P -by - P матрица) массива соответствует ковариационной матрице каждого компонента. Значение по умолчанию для StateCovariances массив 6 на 6 на 2, в котором каждая страница (матрица 6 на 6) является матрицей тождеств.

Типы данных: single | double

`StateTransitionFcn` - Переходная функция состояния
`@constvel` (по умолчанию) | указатель на функцию

Функция перехода состояния, заданная как указатель на функцию. Эта функция вычисляет вектор состояния на временной шаг k из вектора состояния на временной шаг k-1. Функция может также включать значения шума.

Если HasAdditiveProcessNoise является true, задайте функцию, используя один из следующих синтаксисов:
```
x(k) = transitionfcn(x(k-1))
```
```
x(k) = transitionfcn(x(k-1),dT)
```
где x(k) - оценка состояния во время k, и dT - временной шаг.
Если HasAdditiveProcessNoise является false, задайте функцию, используя один из следующих синтаксисов:
```
x(k) = transitionfcn(x(k-1),w(k-1))
```
```
x(k) = transitionfcn(x(k-1),w(k-1),dT)
```
где x(k) - оценка состояния во время k, w(k) - технологический шум во время k, и dT - временной шаг.
Для получения дополнительной информации о модели перехода состояния см. Алгоритмы для trackingEKF.

Пример: @constacc

Типы данных: function_handle

`StateTransitionJacobianFcn` - якобиан переходной функции государства
`@constveljac` (по умолчанию) | указатель на функцию

Якобиан функции перехода состояния, заданный как указатель на функцию. Эта функция имеет те же входные параметры, что и функция перехода состояния.

Если HasAdditiveProcessNoise является true, задайте якобианскую функцию, используя один из следующих синтаксисов:
```
Jx(k) = statejacobianfcn(x(k))
```
```
Jx(k) = statejacobianfcn(x(k),dT)
```
где x(k) состояние в момент времени k, dT является временным шагом и Jx(k) обозначает якобиан функции перехода состояния относительно состояния. Якобиан является P -by - P матрицей во время k, где P - размерность состояния.
Если HasAdditiveProcessNoise является false, задайте якобианскую функцию, используя один из следующих синтаксисов:
```
[Jx(k),Jw(k)] = statejacobianfcn(x(k),w(k))
```
```
[Jx(k),Jw(k)] = statejacobianfcn(x(k),w(k),dT)
```
где w(k) является Q элементом технологического шума в момент времени k. В отличие от случая аддитивного технологического шума, вектор технологического шума в случае неаддитивного шума не должен иметь такие же размерности, как вектор состояния.
Jw(k) обозначает P -by Q Якобиан предсказанного состояния относительно элементов технологического шума, где P - размерность состояния.

Если не задано, якобианы вычисляются числовым дифференцированием при каждом вызове predict функция. Этот расчет может увеличить время вычислений и числовую неточность.

Пример: @constaccjac

Типы данных: function_handle

`ProcessNoise` - Ковариация технологического шума
`eye(3)` (по умолчанию) | положительный скаляр с реальным значением | положительная определенная матрица с реальным значением

Ковариация технологического шума:

Когда HasAdditiveProcessNoise является true, задайте ковариацию шума процесса как действительный скаляр или положительно определенную P матрицу -by P. P - размерность вектора состояний. Если задан как скаляр, матрица является произведением единичной матрицы P -by P.
Когда HasAdditiveProcessNoise является false, задайте ковариацию шума процесса как Q -by - Q матрицу. Q - размер вектора шума процесса. Вы должны задать ProcessNoise перед любым вызовом predict функция объекта.

Пример: [1.0 0.05; 0.05 2]

`HasAdditiveProcessNoise` - Модель аддитивного технологического шума
`false` (по умолчанию) | `true`

Опция для моделирования технологического шума как аддитива, заданная как true или false. Когда это свойство true, технологический шум добавляется к вектору состояния. В противном случае шум включается в функцию перехода состояния.

Пример: true

`HasExtent` - Указать, имеют ли компоненты экстент
`false` (по умолчанию) | `true`

Укажите, имеют ли компоненты экстент, заданный как true или false. Установите это свойство на true если фильтр предназначен для отслеживания расширенных объектов. Расширенный объект может сгенерировать более одного измерения на скан датчика. Установите это свойство на false если фильтр предназначен только для отслеживания целевых точек.

Пример: true

`MeasurementOrigin` - Начало измерений с расширенных объектов
`'center'` (по умолчанию) | `'extent'`

Начало измерений от расширенных объектов, заданное как:

'center' - Фильтр принимает, что измерения происходят из среднего состояния цели. Этот подход применим, когда состояние не моделирует степень цели, хотя цель может сгенерировать более одного измерения.
'extent' - Фильтр принимает, что измерения не центрированы при среднем состоянии цели. Для вычислительной эффективности ожидаемое измерение часто вычисляется как функция от сообщенных измерений, заданных функцией модели измерения.

Обратите внимание, что настройки функции MeasurementFcn и MeasurementJacobianFcn отличаются для 'center' и 'extent' опции. См. описание MeasurementFcn и MeasurementJacobianFcn для получения дополнительной информации.

Зависимости

Чтобы включить это свойство, установите HasExtent свойство к 'true'.

Типы данных: double

`Labels` - Метка каждого компонента в смеси
`[0 0]` (по умолчанию) | 1-байт- N вектор-строка неотрицательного целого числа

Метка каждого компонента в смеси, заданная как 1-байтовый N вектор-строка неотрицательных целых чисел. N - количество компонентов в смеси. Каждый компонент может иметь только одну метку, но несколько компонентов могут совместно использовать одну и ту же метку .

Пример: [1 2 3]

Типы данных: single | double

`Weights` - Масса каждого компонента в смеси
`[1 1]` (по умолчанию) | 1-байт- N вектор-строка с положительным вещественным значением

Масса каждого компонента в смеси, заданная как вектор 1 байт N строка положительных вещественных значений. N - количество компонентов в смеси. Вес каждого компонента задается в том же порядке, что и Labels свойство.

Пример: [1.1 0.82 1.1]

Типы данных: single | double

`Detections` - Обнаружение
D - элемент ячеек `objectDetection` объекты

Обнаружения, заданные как D - массив ячеек objectDetection объекты. Можно создавать обнаружения непосредственно, или можно получить обнаружения с выходов объектов, таких как radarSensor, monostaticRadarSensor, irSensor, и sonarSensor.

Типы данных: single | double

`MeasurementFcn` - Функция модели измерения
`@cvmeas` (по умолчанию) | указатель на функцию

Функция модели измерения, заданная как указатель на функцию. Эта функция задает переход от состояния к измерению. В зависимости от HasExtent и MeasurementOrigin свойства, функция модели измерения должна быть задана по-разному:

HasExtent является false, или HasExtent является true и MeasurementOrigin является 'center'. В этих двух случаях,
- Если HasAdditiveMeasurementNoise является true, задайте функцию, используя один из следующих синтаксисов:
```
z = measurementfcn(x)
```
```
z = measurementfcn(x,parameters)
```
  где P -by N матрица x - предполагаемые Гауссовы состояния в то время k и x(:,i) представляет iкомпонент I состояния в смеси. Матрица M -by N z - соответствующее измерение, и z(:,i) представляет измерение, полученное из i-й компонент. Parameters являются MeasurementParameters предоставляется в objectDetections установите в Detections свойство.
- Если HasAdditiveMeasurementNoise является false, задайте функцию, используя один из следующих синтаксисов:
```
z = measurementfcn(x,v)
```
```
z = measurementfcn(x,v,parameters)
```
  где v является R -мерным вектором шума измерения.
HasExtent является true и MeasurementOrigin является 'extent'. В этом случае ожидаемые измерения исходят из степени целевого показателя и основываются на фактическом распределении обнаружений:
- Если HasAdditiveMeasurementNoise является true, задайте функцию используя:
```
z = measurementfcn(x,detections)
```
  где P -by N матрица x - предполагаемые Гауссовы состояния в то время k и x(:,i) представляет iкомпонент I состояния в смеси. detections - массив ячеек из objectDetection объекты, и z - ожидаемое измерение. Обратите внимание, что z(:,i,j) необходимо вернуть ожидаемое измерение на основе iкомпонент первого состояния и компонент jth objectDetection в detections.
- Если HasAdditiveMeasurementNoise является false, задайте функцию используя:
```
z = measurementfcn(x,v,detections)
```
  где v является R -мерным вектором шума измерения.

HasExtent MeasurementOrigin Функция измерения Примечание

false

НА

HasAdditiveMeasurementNoise Синтаксисы

true

z = measurementfcn(x)

z = measurementfcn (x,para)

false

z = measurementfcn(x,v)

z = measurementfcn (x,v,para)

x(:,i) представляет iкомпонент I состояния в смеси. z(:,i) представляет измерение, полученное из i-й компонент.

true 'center'

true

'extent'

`HasAdditiveMeasurementNoise`	Синтаксисы
`true`	`z = measurementfcn(x,detections)`
`false`	`z = measurementfcn(x,v,detections)`

x(:,i) представляет iкомпонент I состояния в смеси. z(:,i,j) необходимо вернуть ожидаемое измерение на основе iкомпонент первого состояния и компонент jth objectDetection в detections.

Типы данных: function_handle

`MeasurementJacobianFcn` - якобиан функции измерения
`@cvmeasjac` (по умолчанию) | указатель на функцию

Якобиан функции измерения, заданный как указатель на функцию. В зависимости от HasExtent и MeasurementOrigin свойства, измерительная якобианская функция должна быть задана по-разному:

HasExtent является false, или HasExtent является true и MeasurementOrigin является 'center'. В этих двух случаях:
- Если HasAdditiveMeasurmentNoise является true, задайте якобианскую функцию, используя один из следующих синтаксисов:
```
Jmx = measjacobianfcn(x)
```
```
Jmx = measjacobianfcn(x,parameters)
```
  где P элемент x является одним компонентом состояния в момент времени k и Jmx является M -by P якобианом функции измерения относительно состояния. M - размерность измерения. Parameters являются MeasurementParameters предоставляется в objectDetections установите в Detections свойство.
- Если HasAdditiveMeasurmentNoise является false, задайте якобианскую функцию, используя один из следующих синтаксисов:
```
[Jmx,Jmv] = measjacobianfcn(x,v)
```
```
[Jmx,Jmv] = measjacobianfcn(x,v,parameters)
```
  где v является R -мерным вектором шума измерения, и Jmv является M -by R якобианом функции измерения относительно шума измерения.
HasExtent является true и MeasurementOrigin является 'extent'. В этом случае ожидаемые измерения исходят из степени целевого значения и основываются на фактическом распределении обнаружений. Якобианская функция измерения должна поддерживать один из этих двух синтаксисов:
- Если HasAdditiveMeasurmentNoise является true, задайте якобианскую функцию используя:
```
Jmx = measjacobianfcn(x,detections)
```
  где x является одним компонентом оценки состояния в то время k. detections - набор обнаружений, заданный как массив ячеек objectDetection объекты. Jmx обозначает M -by P -by D якобиан функции измерения относительно состояния. M - размерность измерения, P - размерность состояния, а D - количество objectDetection объекты в detections.
- Если HasAdditiveMeasurmentNoise является false, задайте якобианскую функцию используя:
```
[Jmx,Jmv] = measjacobianfcn(x,v,detections)
```
  где v является R -мерным вектором шума измерения, и Jmv является M -by R -by D якобианом функции измерения относительно шума измерения.
Обратите внимание, что Jmx(:,:,j) должен определить состояние якобиан, соответствующее jth objectDetection в detections. Jmv(:,:,j) задает измерение шум якобиан, соответствующий jth objectDetection в detections.

HasExtent MeasurementOrigin Измерение якобианской функции Примечание

false

НА

HasAdditiveMeasurementNoise Синтаксисы

true

Jmx = measjacobianfcn(x)

Jmx = measjacobianfcn(x,para)

false

[Jmx,Jmv] = measjacobianfcn(x,v)

[Jmx,Jmv] = measjacobianfcn(x,v,para)

x является только одним Гауссовым компонентом в смеси.

true 'center'

true

'extent'

`HasAdditiveMeasurementNoise`	Синтаксисы
`true`	`z = measurementfcn(x,detections)`
`false`	`z = measurementfcn(x,v,detections)`

Jmx(:,:,j) задает состояние якобиан соответствующий jth objectDetection в detections. Jmv(:,:,j) задает измерение шум якобиан, соответствующий jth objectDetection в detections.

Типы данных: function_handle

`HasAdditiveMeasurementNoise` - Модель аддитивного шума измерения
`false` (по умолчанию) | `true`

Опция для моделирования шума измерения как аддитива, заданная как true или false. Когда это свойство true, измерительный шум добавляется к вектору состояния. В противном случае шум включается в функцию измерения.

Пример: true

`MaxNumDetections` - Максимальное количество обнаружений
`1000` (по умолчанию) | положительное целое число

Максимальное количество обнаружений gmphd фильтр может принимать значение входа, заданное как положительное целое число.

Пример: 50

Типы данных: single | double

`MaxNumComponents` - Максимальное количество компонентов
`1000` (по умолчанию) | положительное целое число

Максимальное количество компонентов в gmphd может поддерживать фильтр, заданный как положительное целое число.

Типы данных: single | double

Функции объекта

`predict`	Предсказать гипотезу вероятности плотности phd-фильтра
`correctUndetected`	Правильное `phd` фильтр без гипотезы обнаружения
`correct`	Правильное `phd` фильтр с обнаружениями
`likelihood`	Логарифмическая правдоподобность связи между камерами обнаружения и компонентами в плотности
`append`	Добавьте два `phd` фильтровать объекты
`merge`	Объедините компоненты в плотности `phd` фильтр
`scale`	Веса шкалы компонентов в плотности
`prune`	Обрезать фильтр путем удаления выбранных компонентов
`labeledDensity`	Храните компоненты с заданным идентификатором метки
`extractState`	Извлеките оценки целевого состояния из `phd` фильтр
`clone`	Создание повторяющихся `phd` объект фильтра

Примеры

свернуть все

Запуск фильтра gmphd для объектов точек

Открыть Live Script

Создайте фильтр с двумя 3-D компонентами постоянной скорости. Начальное состояние одного компонента: [0; 0; 0; 0; 0; 0]. Начальное состояние другого компонента - [1; 0; 1; 0; 1; 0]. Каждый компонент инициализируется с позицией ковариации, равной 1, и скоростью ковариации, равной 100.

states = [zeros(6,1) [1;0;1;0;1;0]];
cov1 = diag([1 100 1 100 1 100]);
covariances = cat(3,cov1,cov1);
phd = gmphd(states, covariances, 'StateTransitionFcn', @constvel,...
    'StateTransitionJacobianFcn',@constveljac,...
    'MeasurementFcn',@cvmeas,...
    'MeasurementJacobianFcn',@cvmeasjac,...
    'ProcessNoise', eye(3),...
    'HasAdditiveProcessNoise',false);

Спрогнозируйте фильтр на 0,1 временного шага вперед.

predict(phd,0.1);

Определите три обнаружения с помощью ojbectDetection.

rng(2019);
detections = cell(3,1);
detections{1} = objectDetection(0,[1;1;1] + randn(3,1));
detections{2} = objectDetection(0,[0;0;0] + randn(3,1));
detections{3} = objectDetection(0,[4;5;5] + randn(3,1));
phd.Detections = detections;

Вычислим вероятность каждого обнаружения. Для целевого фильтра раздел обнаружений не нужен, и каждое обнаружение занимает камеру. Поэтому detectionIndices является матрицей тождеств. Получившаяся вероятность обнаружения 1 и 2 выше, чем вероятность обнаружения 3, поскольку они ближе к компонентам.

detectionIndices = logical(eye(3)); 
logLikelihood = likelihood(phd,detectionIndices)

logLikelihood = 2×3

   -5.2485   -4.7774  -22.8899
   -4.5171   -5.0008  -17.3973

Исправьте фильтр с масштабированной вероятностью.

lhood = exp(logLikelihood);
lhood = lhood./sum(lhood,2);
correct(phd,detectionIndices,lhood);

Объедините компоненты с порогом слияния, равным 1.

merge(phd,1);

Извлеките оценки состояния с порогом извлечения, равным 0,5.

minWeight = 0.5;
targetStates = extractState(phd,minWeight);
[ts1,ts2]= targetStates.State;

Визуализация результатов.

% Extract the measurements.
d = [detections{:}];
measurements = [d.Measurement];
% Plot the measurements and estimates.
figure()
plot3(measurements(1,:),measurements(2,:),measurements(3,:),'x','MarkerSize',10,'MarkerEdgeColor','b');
hold on;
plot3(ts1(1),ts1(3),ts1(5),'ro');
hold on;
plot3(ts2(1),ts2(3),ts2(5),'ro');
xlabel('x')
ylabel('y')
zlabel('z')
hold on;
legend('Detections','Components')

Figure contains an axes. The axes contains 3 objects of type line. These objects represent Detections, Components.

Ссылки

[1] Vo, B. -T и W. K. Ma. Фильтр плотности гипотезы вероятностей Гауссовой смеси. Транзакции IEEE по обработке сигналов, Vol, 54, No, 11, pp. 4091-4104, 2006.

[2] Granstrom, Karl, Christian Lundquist, and Omut Orguner. Расширенное отслеживание цели с использованием PHD-фильтра Гауссовой смеси. Сделки IEEE по аэрокосмическим и электронным системам 48, № 4 (2012): 3268-3286.

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Указания и ограничения по применению:

Строение генерации кода должен позволить рекурсии использовать merge способ.

См. также

Введенный в R2019b

Документация

gmphd

Описание

Создание

Синтаксис

Описание

Свойства

`States` - Состояние каждого компонента в фильтре
P -by - N матрица

`StateCovariances` - Оценка состояния ковариации ошибки каждого компонента в фильтре
P -by- P -by- N массив

`StateTransitionFcn` - Переходная функция состояния
`@constvel` (по умолчанию) | указатель на функцию

`StateTransitionJacobianFcn` - якобиан переходной функции государства
`@constveljac` (по умолчанию) | указатель на функцию

`HasAdditiveProcessNoise` - Модель аддитивного технологического шума
`false` (по умолчанию) | `true`

`HasExtent` - Указать, имеют ли компоненты экстент
`false` (по умолчанию) | `true`

`MeasurementOrigin` - Начало измерений с расширенных объектов
`'center'` (по умолчанию) | `'extent'`

Зависимости

`Labels` - Метка каждого компонента в смеси
`[0 0]` (по умолчанию) | 1-байт- N вектор-строка неотрицательного целого числа

`Weights` - Масса каждого компонента в смеси
`[1 1]` (по умолчанию) | 1-байт- N вектор-строка с положительным вещественным значением

`Detections` - Обнаружение
D - элемент ячеек `objectDetection` объекты

`MeasurementFcn` - Функция модели измерения
`@cvmeas` (по умолчанию) | указатель на функцию

`MeasurementJacobianFcn` - якобиан функции измерения
`@cvmeasjac` (по умолчанию) | указатель на функцию

`HasAdditiveMeasurementNoise` - Модель аддитивного шума измерения
`false` (по умолчанию) | `true`

`MaxNumDetections` - Максимальное количество обнаружений
`1000` (по умолчанию) | положительное целое число

`MaxNumComponents` - Максимальное количество компонентов
`1000` (по умолчанию) | положительное целое число

Функции объекта

Примеры

Запуск фильтра gmphd для объектов точек

Ссылки

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Документация по Sensor Fusion and Tracking Toolbox

Поддержка

Документация

gmphd

Описание

Создание

Синтаксис

Описание

Свойства

States - Состояние каждого компонента в фильтре P -by - N матрица

StateCovariances - Оценка состояния ковариации ошибки каждого компонента в фильтре P -by- P -by- N массив

StateTransitionFcn - Переходная функция состояния @constvel (по умолчанию) | указатель на функцию

StateTransitionJacobianFcn - якобиан переходной функции государства @constveljac (по умолчанию) | указатель на функцию

ProcessNoise - Ковариация технологического шума eye(3) (по умолчанию) | положительный скаляр с реальным значением | положительная определенная матрица с реальным значением

HasAdditiveProcessNoise - Модель аддитивного технологического шума false (по умолчанию) | true

HasExtent - Указать, имеют ли компоненты экстент false (по умолчанию) | true

MeasurementOrigin - Начало измерений с расширенных объектов 'center' (по умолчанию) | 'extent'

Зависимости

Labels - Метка каждого компонента в смеси [0 0] (по умолчанию) | 1-байт- N вектор-строка неотрицательного целого числа

Weights - Масса каждого компонента в смеси [1 1] (по умолчанию) | 1-байт- N вектор-строка с положительным вещественным значением

Detections - Обнаружение D - элемент ячеек objectDetection объекты

MeasurementFcn - Функция модели измерения @cvmeas (по умолчанию) | указатель на функцию

MeasurementJacobianFcn - якобиан функции измерения @cvmeasjac (по умолчанию) | указатель на функцию

HasAdditiveMeasurementNoise - Модель аддитивного шума измерения false (по умолчанию) | true

MaxNumDetections - Максимальное количество обнаружений 1000 (по умолчанию) | положительное целое число

MaxNumComponents - Максимальное количество компонентов 1000 (по умолчанию) | положительное целое число

Функции объекта

Примеры

Запуск фильтра gmphd для объектов точек

Ссылки

Расширенные возможности

Генерация кода C/C + + Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Документация по Sensor Fusion and Tracking Toolbox

Поддержка

`States` - Состояние каждого компонента в фильтре
P -by - N матрица

`StateCovariances` - Оценка состояния ковариации ошибки каждого компонента в фильтре
P -by- P -by- N массив

`StateTransitionFcn` - Переходная функция состояния
`@constvel` (по умолчанию) | указатель на функцию

`StateTransitionJacobianFcn` - якобиан переходной функции государства
`@constveljac` (по умолчанию) | указатель на функцию

`HasAdditiveProcessNoise` - Модель аддитивного технологического шума
`false` (по умолчанию) | `true`

`HasExtent` - Указать, имеют ли компоненты экстент
`false` (по умолчанию) | `true`

`MeasurementOrigin` - Начало измерений с расширенных объектов
`'center'` (по умолчанию) | `'extent'`

`Labels` - Метка каждого компонента в смеси
`[0 0]` (по умолчанию) | 1-байт- N вектор-строка неотрицательного целого числа

`Weights` - Масса каждого компонента в смеси
`[1 1]` (по умолчанию) | 1-байт- N вектор-строка с положительным вещественным значением

`Detections` - Обнаружение
D - элемент ячеек `objectDetection` объекты

`MeasurementFcn` - Функция модели измерения
`@cvmeas` (по умолчанию) | указатель на функцию

`MeasurementJacobianFcn` - якобиан функции измерения
`@cvmeasjac` (по умолчанию) | указатель на функцию

`HasAdditiveMeasurementNoise` - Модель аддитивного шума измерения
`false` (по умолчанию) | `true`

`MaxNumDetections` - Максимальное количество обнаружений
`1000` (по умолчанию) | положительное целое число

`MaxNumComponents` - Максимальное количество компонентов
`1000` (по умолчанию) | положительное целое число

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®