一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法．它以一种改进的自适应混合 高斯模型为背景更新方法，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实 现对运动目标的连续跟踪．在目标跟踪时，该算法针对目标遮挡引起的各种可能情况进行了 分析，引入了对运动目标的可靠性度量，增强了目标跟踪的稳定性和可靠性．在对多个室外 视频序列的实验中，该算法显示了良好的性能，说明它对于各种外部因素的影响，如光照变 化、阴影、目标遮挡等，具有很强的适应能力．  

多尺度动态模型单传感器动态系统分布式信息融合

利用多尺度分析的思想,将基于模型的动态系统分析方法与基于统计特性的多尺度 信号变换方法相结合,在不同尺度上拥有对目标状态进行不同描述的多模型动态系统,提出 多尺度分布式信息融合估计新算法,在最细尺度上获得目标状态基于全局信息的融合估计 值,初步解决了多尺度动态模型信息融合问题,这些工作丰富和发展了信息融合理论.  

Kalman滤波的抗野值修正

分析了动态测量系统中异常数据对Ｋａｌｍ ａｎ 滤波的不利影响．提出了一组具有良好容错能力的修正型滤波算法．该滤波算法既可以充分利用正常新息确保滤波的精度，又可以有效拟制异常新息的不利影响提高滤波估计可靠性，达到对故障数据的容错能力．最后，通过仿真计算验证了该算法的有效性．  

移动机器人的同步自定位与地图创建研究进展

自主移动机器人在未知环境下作业时,首先要解决的基本问题就是其自身的定位问题,而定位问题与环境地图的创建又是相辅相成的.本文从相关理论和关键技术等方面,系统地总结了同步自定位和地图创建的研究现状,着重介绍了基于概率论的方法,分析了目前存在的难题,并指出了未来研究的发展方向.  

复杂背景图像中检测动目标的一种方法

该文研究了基于Kalman滤波理论的渐消记忆递归最小二乘法，探讨了渐消记忆递归最小二乘法在重建图像背景中的应用，并用于实现在复杂背景下视频图像动目标的检测，首先用该算法对复杂背景进行更新预测，然后用当前帧图像与预测背景差分提取动目标，最后用灰度投影算法计算出目标的质心，整个目标检测方法简单，有效，便于用硬件快速实现，文中给出了实验结果。  

空基多平台多传感器时间空间数据配准与目标跟踪

研究多个空中移动平台的时间空间数据配准与目标跟踪问题.首先给出空中移动平台传感器数据空间配准几何坐标转换算法;然后采用最小二乘法对多传感器异步测量数据进行时间配准;最后将目标的运动模型和传感器配准误差模型组合在同一个状态方程中,利用扩展Kalman滤波方程进行估计.Monte-Carlo仿真表明,该方法能同时有效地估计目标运动状态和传感器配准误差,比传统配准方法具有更快的收敛速度和更高的精度.  

基于小波分析的交通流量预测方法

为了更加准确地预测动态变化的交通流量，根据交通流量的特点提出了在小波分析的基础上利用离散Kalman滤波进行预测的方法。这种方法可用于动态数据预测的各个领域，如网络流量的预测、经济信息的预测以及其它非线性系统的预测。实验表明，采用这种方法可以有效地减小数据预测的误差。  

Mean-Shift跟踪算法中目标模型的自适应更新

针对Mean—shift跟踪算法中的模型更新问题，提出利用目标历史模型和当前匹配位置处得到的观测模型，对目标核函数直方图进行Kalman滤波，从而对目标模型进行及时更新。在滤波过程中，通过分析滤波残差动态，调整滤波方程中的各种参数。Bhattacharyya系数被用作模型更新的准则。该系统能够有效地处理遮挡、光照变化等干扰，避免了模型的过更新。大量视频序列测试的结果表明，在场景遮挡、光照变化等因素的影响下，算法能够对目标外观以及尺度的变化进行稳健、实时和有效的跟踪。  

一种基于Kalman滤波的视频对象跟踪方法

为了更加准确地预测对象的位置和运动，利用刚体运动模型导出最佳Kalman系数，通过Kalman反馈滤波器对Moscheni等人提出的视频对象分割与跟踪算法进行改进，提出了一种将离散Kalman滤波技术用于视频序列的对象跟踪方法。这种方法可用于有关场景描述的各种应用领域中，如在机器视觉的研究中，对动态场景进行分析与理解；在基于对象的视频编码中（如MPEG-4），对视频对象进行分割后，分别进行编码，从而改善编码的可分级性及编码效率。实验结果表明，采用这种方法可以有效地改善时间-空间分割和目标跟踪，有助于更好地理解动态场景，并表现出良好的鲁棒性。  

??????????????о?????

大气、海洋数据同化系统的完善和发展，促进了陆面数据同化系统的研究。本世纪初，随着北美(全球)陆面数据同化系统的建立，利用卫星、雷达数据同化地表土壤水分、地表温度、能量通量等工作正逐步展开。与此同时，陆面数据同化的研究也已经成为当前陆面过程和水文过程研究的热点。以北美(全球)陆面数据同化系统、欧洲陆面数据同化系统、中国西部陆面数据同化系统为例，对当前陆面数据同化系统的基本框架作了详细介绍；并指出了当前陆面数据同化系统发展中有待解决的若干问题。