運動跟蹤演算法

『壹』 為什麼小米手環2要固件升級，原理是什麼

現在的計步器基本都是利用三軸加速計來測算步數的。
通過加速計，我們可以對位移進行采樣。當采樣得到的波形符合人的步行特徵時，就可以實現計步了。

但是，平常情況下，感測器的佩戴位置和人體本身的位置，總是是有一定的擺動的。人體在活動的進行中也有一定的抖動。這些在活動波形里表現為一定的雜波。這就需要合適的濾波演算法把雜波盡量去除。

對經過濾波之後的波形，數一數波峰，就知道走幾步了。

很多時候，其他運動也能製造出類似步行的波形，誤差在所難免。加速計計步演算法屬於實現簡單，改進空間很大的運動跟蹤演算法。

至於升級， 採用藍牙進行傳輸

內部就是小米的商業機密了哦

望採納：）

『貳』 自動跟蹤的跟蹤演算法

質心跟蹤演算法：這種跟蹤方式用於跟蹤有界目標，且目標與環境相比有明顯不同灰度等級，如空中飛機等。目標完全包含在鏡頭視場范圍內。

相關跟蹤演算法：相關可用來跟蹤多種類型的目標，當跟蹤目標無邊界且動態不是很強時這種方式非常有效。典型應用於：目標在近距離的范圍，且目標擴展到鏡頭視場范圍外，如航行在大海中的一艘船。

相位相關演算法：相位相關演算法是非常通用的演算法，既可以用來跟蹤無界目標也可以用來跟蹤有界目標。在復雜環境下（如地面的汽車）能給出一個好的效果。

多目標跟蹤演算法：多目標跟蹤用於有界目標如飛機、地面汽車等。它們完全在跟蹤窗口內。對復雜環境里的小目標跟蹤，本演算法能給出一個較好的性能。
邊緣跟蹤演算法：當跟蹤目標有一個或多個確定的邊緣而同時卻又具有不確定的邊緣，這時邊緣跟蹤是最有效的演算法。典型如火箭發射，它有確定好的前邊緣，但尾邊緣由於噴氣而不定。

場景鎖定演算法：該演算法專門用於復雜場景的跟蹤。適合於空對地和地對地場景。這個演算法跟蹤場景中的多個目標，然後依據每個點的運動，從而估計整個場景全局運動，場景中的目標和定位是自動選擇的。當存在跟蹤點移動到攝像機視場外時，新的跟蹤點能自動被標識。瞄準點初始化到場景中的某個點，跟蹤啟動，同時定位瞄準線。在這種模式下，能連續跟蹤和報告場景里的目標的位置。

組合跟蹤演算法：顧名思義這種跟蹤方式是兩種具有互補特性的跟蹤演算法的組合：相關類演算法 + 質心類演算法。它適合於目標尺寸、表面、特徵改變很大的場景。

『叄』 目標跟蹤演算法好處

目標跟蹤演算法好處是：
1、可以提高後續檢測的准確性。
2、能夠掌握目標的運動狀態。

『肆』 動作捕捉採集頻率的作用

動作捕捉相機採集幀率與通常所說的相機幀率一致，是指單位時間內圖像數據採集的次數，單位一般是fps，即幀/秒。
相機採集幀率對於動作捕捉來講具有兩大物理意義：一是限定了動作采樣頻率，動作采樣頻率最大不超過相機採集幀率（采樣頻率指每秒採集的動作關鍵幀數量）；二是直接決定了運動跟蹤演算法的有效性，進而決定了動作捕捉的正確率。運動跟蹤貫穿動作捕捉的整個過程，一方面軟體需要通過跟蹤進行不同目標的識別和區分，另一方面通過跟蹤預測可以縮小目標探測區域，有效地提升計算速率和捕捉實時性。一旦跟蹤失敗，往往動作捕捉數據會出錯，嚴重的會導致丟失關鍵幀，影響捕捉的實時性。一般地講，相機幀率越高，跟蹤性能越好，即捕捉數據正確率越高。
通常為了實現較好的動作捕捉性能，專業的動作捕捉系統製造商都會進行深入的研究以平衡硬體性能參數來滿足使用要求。其中，動作捕捉相機解析度和採集幀率是比較重要的一對相關參數，簡單地說，解析度越高應該對應越高的採集幀率，因為解析度增加相當於目標在圖像上的運動預測不確定度增加，為保證計算速度，在跟蹤搜索窗口不變的情況下，目標逃離跟蹤窗口的概率大幅增加造成跟蹤失敗，解決這個問題最有效的方法就是提高採集幀率，降低運動預測的不確定度，以確保跟蹤正確率。專業的動作捕捉相機解析度與幀率的關系一般應滿足一定的對應關系：30萬像素系統應不少於30fps，130萬像素系統應在60fps以上，而400萬以上像素系統幀率至少應在100fps以上。
當系統不能達到足夠的採集幀率時，最明顯的使用問題是快速運動捕捉能力差，例如對人體進行擊打、踢腿等動作捕捉時，運動數據往往會頻繁出錯，無法進行現場動畫演示，也大大增加了數據後處理的工作量，系統實用性低。

『伍』 運動目標跟蹤檢測論文怎麼寫呢

運動目標檢測與跟蹤演算法研究 視覺是人類感知自身周圍復雜環境最直接有效的手段之一， 而在現實生活中 大量有意義的視覺信息都包含在運動中，人眼對運動的物體和目標也更敏感，能 夠快速的發現運動目標， 並對目標的運動軌跡進行預測和描繪。 隨著計算機技術、 通信技術、圖像處理技術的不斷發展，計算機視覺己成為目前的熱點研究問題之 一。 而運動目標檢測與跟蹤是計算機視覺研究的核心課題之一， 融合了圖像處理、 模式識別、人工智慧、自動控制、計算機等眾多領域的先進技術，在軍事制導、 視覺導航、視頻監控、智能交通、醫療診斷、工業產品檢測等方面有著重要的實 用價值和廣闊的發展前景。 1、國內外研究現狀 1.1 運動目標檢測 運動目標檢測是指從序列圖像中將運動的前景目標從背景圖像中提取出來。 根據運動目標與攝像機之間的關系， 運動目標檢測分為靜態背景下的運動目標檢 測和動態背景下的運動目標檢測。 靜態背景下的運動目標檢測是指攝像機在整個 監視過程中不發生移動； 動態背景下的運動目標檢測是指攝像機在監視過程中發 生了移動，如平動、旋轉或多自由度運動等。 靜態背景 靜態背景下的運動目標檢測方法主要有以下幾種： （1）背景差分法 背景差分法是目前最常用的一種目標檢測方法， 其基本思想就是首先獲得一個 背景模型，然後將當前幀與背景模型相減，如果像素差值大於某一閾值，則判斷 此像素屬於運動目標，否則屬於背景圖像。利用當前圖像與背景圖像的差分來檢 測運動區域，一般能夠提供比較完整的特徵數據，但對於動態場景的變化，如光 照和外來無關事件的干擾等特別敏感。 很多研究人員目前都致力於開發不同的背 景模型，以減少動態場景變化對運動目標檢測的影響。背景模型的建立與更新、 陰影的去除等對跟蹤結果的好壞至關重要。 背景差分法的實現簡單，在固定背景下能夠完整地精確、快速地分割出運動 對象。不足之處是易受環境光線變化的影響，需要加入背景圖像更新機制，且只 對背景已知的運動對象檢測比較有效， 不適用於攝像頭運動或者背景灰度變化很 大的情況。 （2）幀間差分法 幀間差分法是在連續的圖像序列中兩個或三個相鄰幀間， 採用基於像素的時 間差分並閾值化來提取圖像中的運動區域。 幀間差分法對動態環境具有較強的自 適應性，但一般不能完全提取出所有相關的特徵像素點，在運動實體內部容易產 生空洞現象。因此在相鄰幀間差分法的基礎上提出了對稱差分法，它是對圖像序 列中每連續三幀圖像進行對稱差分，檢測出目標的運動范圍，同時利用上一幀分 割出來的模板對檢測出來的目標運動范圍進行修正， 從而能較好地檢測出中間幀 運動目標的形狀輪廓。 幀間差分法非常適合於動態變化的環境，因為它只對運動物體敏感。實際上 它只檢測相對運動的物體，而且因兩幅圖像的時間間隔較短，差分圖像受光線 變化影響小，檢測有效而穩定。該演算法簡單、速度快，已得到廣泛應用。雖然該 方法不能夠完整地分割運動對象，只能檢測出物體運動變化的區域，但所檢測出 的物體運動信息仍可用於進一步的目標分割。 （3）光流法 光流法就充分的利用了圖像自身所攜帶的信息。在空間中,運動可以用運動 場描述,而在一個圖像平面上,物體的運動往往是通過圖像序列中圖像灰度分布 的不同來體現,從而使空間中的運動場轉移到圖像上就表示為光流場。所謂光流 是指空間中物體被觀測面上的像素點運動產生的瞬時速度場， 包含了物體表面結 構和動態行為等重要信息。 基於光流法的運動目標檢測採用了運動目標隨時間變 化的光流特性，由於光流不僅包含了被觀測物體的運動信息，還攜帶了物體運動 和景物三位結構的豐富信息。 在比較理想的情況下,它能夠檢測獨立運動的對象, 不需要預先知道場景的任何信息,可以很精確地計算出運動物體的速度,並且可 用於動態場景的情況。 但是大多數光流方法的計算相當復雜,對硬體要求比較高, 不適於實時處理,而且對雜訊比較敏感,抗噪性差。並且由於遮擋、多光源、透明 性及雜訊等原因，使得光流場基本方程——灰度守恆的假設條件無法滿足，不能 正確求出光流場，計算方也相當復雜，計算量巨大，不能滿足實時的要求。 動態背景 動態背景下的運動目標檢測由於存在著目標與攝像機之間復雜的相對運動， 檢測方法要比靜態背景下的運動目標檢測方法復雜。常用的檢測方法有匹配法、 光流法以及全局運動估計法等。 2、運動目標跟蹤 運動目標跟蹤是確定同一物體在圖像序列的不同幀中的位置的過程。 近年來 出現了大批運動目標跟蹤方法，許多文獻對這些方法進行了分類介紹，可將目標 跟蹤方法分為四類：基於區域的跟蹤、基於特徵的跟蹤、基於活動輪廓的跟蹤、 基於模型的跟蹤，這種分類方法概括了目前大多數跟蹤方法，下面用這種分類方 法對目前的跟蹤方法進行概括介紹。 (1)基於區域的跟蹤 基於區域的跟蹤方法基本思想是： 首先通過圖像分割或預先人為確定提取包 含目標區域的模板，並設定一個相似性度量，然後在序列圖像中搜索目標，把度 量取極值時對應的區域作為對應幀中的目標區域。 由於提取的目標模板包含了較 完整的目標信息，該方法在目標未被遮擋時，跟蹤精度非常高，跟蹤非常穩定， 但通常比較耗時，特別是當目標區域較大時，因此一般應用於跟蹤較小的目標或 對比度較差的目標。該方法還可以和多種預測演算法結合使用，如卡爾曼預測、粒 子預測等，以估計每幀圖像中目標的位置。近年來，對基於區域的跟蹤方法關注 較多的是如何處理運動目標姿態變化引起的模板變化時的情況以及目標被嚴重 遮擋時的情況。 (2)基於特徵的跟蹤 基於特徵的跟蹤方法基本思想是：首先提取目標的某個或某些局部特徵，然 後利用某種匹配演算法在圖像序列中進行特徵匹配，從而實現對目標的跟蹤。該方 法的優點是即使目標部分被遮擋，只要還有一部分特徵可以被看到，就可以完成 跟蹤任務，另外，該方法還可與卡爾曼濾波器結合使用，實時性較好，因此常用 於復雜場景下對運動目標的實時、 魯棒跟蹤。 用於跟蹤的特徵很多， 如角點邊緣、 形狀、紋理、顏色等，如何從眾多的特徵中選取最具區分性、最穩定的特徵是基 於特徵的跟蹤方法的關鍵和難點所在。 (3)基於活動輪廓的跟蹤 基於活動輪廓的跟蹤方法基本思想是：利用封閉的曲線輪廓表達運動目標， 結合圖像特徵、曲線輪廓構造能量函數，通過求解極小化能量實現曲線輪廓的自 動連續更新，從而實現對目標的跟蹤。自Kass在1987年提出Snake模型以來，基 於活動輪廓的方法就開始廣泛應用於目標跟蹤領域。相對於基於區域的跟蹤方 法，輪廓表達有減少復雜度的優點，而且在目標被部分遮擋的情況下也能連續的 進行跟蹤，但是該方法的跟蹤結果受初始化影響較大，對雜訊也較為敏感。 (4)基於模型的跟蹤 基於模型的跟蹤方法基本思想是： 首先通過一定的先驗知識對所跟蹤目標建 立模型，然後通過匹配跟蹤目標，並進行模型的實時更新。通常利用測量、CAD 工具和計算機視覺技術建立模型。主要有三種形式的模型，即線圖模型、二維輪 廓模型和三維立體模型口61，應用較多的是運動目標的三維立體模型，尤其是對 剛體目標如汽車的跟蹤。該方法的優點是可以精確分析目標的運動軌跡，即使在 目標姿態變化和部分遮擋的情況下也能夠可靠的跟蹤， 但跟蹤精度取決於模型的 精度，而在現實生活中要獲得所有運動目標的精確模型是非常困難的。 目標檢測演算法，至今已提出了數千種各種類型的演算法，而且每年都有上百篇相 關的研究論文或報告發表。盡管人們在目標檢測或圖像分割等方面做了許多研 究，現己提出的分割演算法大都是針對具體問題的，並沒有一種適合於所有情況的 通用演算法。 目前， 比較經典的運動目標檢測演算法有： 雙幀差分法、 三幀差分法(對 稱差分法)、背景差法、光流法等方法，這些方法之間並不是完全獨立，而是可 以相互交融的。 目標跟蹤的主要目的就是要建立目標運動的時域模型， 其演算法的優劣直接影響 著運動目標跟蹤的穩定性和精確度， 雖然對運動目標跟蹤理論的研究已經進行了 很多年，但至今它仍然是計算機視覺等領域的研究熱點問題之一。研究一種魯棒 性好、精確、高性能的運動目標跟蹤方法依然是該研究領域所面臨的一個巨大挑 戰。基於此目的，系統必須對每個獨立的目標進行持續的跟蹤。為了實現對復雜 環境中運動目標快速、穩定的跟蹤，人們提出了眾多演算法，但先前的許多演算法都 是針對剛體目標，或是將形變較小的非剛體近似為剛體目標進行跟蹤，因而這些 演算法難以實現對形狀變化較大的非剛體目標的正確跟蹤。 根據跟蹤演算法所用的預 測技術來劃分，目前主要的跟蹤演算法有：基於均值漂移的方法、基於遺傳演算法的 方法、基於Kalman濾波器的方法、基於Monto Carlo的方法以及多假設跟蹤的方 法等。 

運動檢測與目標跟蹤演算法模塊 運動檢測與目標跟蹤演算法模塊 與目標跟蹤 一、運動檢測演算法 1.演算法效果 演算法效果總體來說，對比度高的視頻檢測效果要優於對比度低的視頻。 演算法可以比較好地去除目標周圍的淺影子，淺影的去除率在 80%以上。去影後目標的 完整性可以得到較好的保持，在 80%以上。在對比度比較高的環境中可以准確地識別較大 的滯留物或盜移物。 從對目標的檢測率上來說，對小目標較難進行檢測。一般目標小於 40 個像素就會被漏 掉。對於對比度不高的目標會檢測不完整。總體上來說，演算法在對比度較高的環境中漏檢率 都較低，在 0.1%以下，在對比度不高或有小目標的場景下漏檢率在 6%以下。 精細運動檢測的目的是在較理想的環境下盡量精確地提取目標的輪廓和區域， 以供高層 進行應用。同時在分離距離較近目標和進行其它信息的進一步判斷也具有一定的優勢。 反映演算法優缺點的詳細效果如下所示： 去影子和完整性 效果好 公司內視頻 左邊的為去影前，右邊的 為去影後的結果，可以看出在 完整 性和去影率上 都有所 突 出。 這兩個視頻的共周特點 城市交通 是，影子都是淺影子，視頻噪 聲不太明顯。目標與背景的對 比度比較高。 效果差 這兩個視頻的特點是影子 都是深影子。雖然影子沒有去 掉，但是物體的完整性是比較 高的。主要原因就是場景的對 路口，上午 十點 比度比較高。 滯留物檢測和穩定性 效果好 會議室盜移 效果好的原因，一是盜移或 滯留目標與背景對比度較大，二 是目標本身尺寸較大。 另外盜移物或滯留物在保持 各自的狀態期間不能受到光照變 化或其它明顯運動目標的干擾， 要不然有可能會造成判斷的不穩 定。 效果差 會議室 遺留 物 大部分時間內，滯留的判斷 都是較穩定的，但是在後期出現 了不穩定。主要原因是目標太小 的原故。 因此在進行滯留物判斷時， 大目標，對比度較高的環境有利 於判斷的穩定性和准確性。 漏檢率 效果好 城市交通 在對比度高的環境下， 目標相對都較大的情況下 （大於 40 個像素） 可以很 ， 穩定的檢測出目標。 在這種 條件下的漏檢率通常都是 非常低的，在 0.1%以下。 效果差 行人－傍晚 和「行人」目錄下 的 其 它 昏 暗 條件 下的視頻 在對 比度較低的 情況 下，會造成檢測結果不穩 定。漏檢率較高。主要原因 是由於去影子造成的。 這種 對比度下的漏檢率一般在 6%以下。 除了 對比度低是 造成 漏檢的原因外， 過小的目標 也會造成漏檢，一般是 40 個像素以下的目標都會被 忽略掉。 1.2 演算法效率內存消耗（單位：b） .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 運動區域占 2/3 左右時 CPU 佔用率 一幀耗時 Max:57% Min:2.8% Avg:37.5% Max:23 Min:1.14 Avg:15 運動區域占 1/3 左右時 Max:45% Min:2.8% Avg:20% Max:18 Min:1.14 Avg:8 1.3 檢測參數說明 檢測參數說明 檢測到的滯留物或盜走物的消失時間目前分別設定在 200 幀和 100 幀， 可以通過參數來 自行調整。 目前目標與背景的差異是根據局部光照強度所決定的， 范圍在 4 個像素值以上。 目前參 數設置要求目標大小要在 20 個像素以上才能被檢測到，可以通過參數來自行調整。 目標陰影的去除能力是可以調整的， 目前的參數設置可以去除大部分的淺影子和較小的 光照變化。 1.4 適用環境推薦光照條件較好（具有一定的對比度）的室內環境或室外環境。不易用它去檢測過小的目 標，比如小於 40 個像素的目標。室外環境不易太復雜。輸出目標為精細輪廓目標，可以為 後面高層應用提供良好的信息。 二、目標跟蹤 2.1 穩定運行環境要求此版本跟蹤演算法與運動檢測演算法緊密結合， 對相機的架設和視頻的背景環境和運動目標 數量運動方式有一定要求： 背景要求： 由於運動跟蹤是基於運動檢測的結果進行的， 所以對背景的要求和運動檢測一樣， 背景要求： 運動目標相對於背景要有一定反差。 運動目標：由於運動檢測中，對較小的目標可能過濾掉。所以運動目標的大小要符合運動檢 運動目標： 測的要求。運動目標的速度不能太大，要保證前後幀運動目標的重合面積大於 10 個像素。此閾值可修改(建議不要隨意修改，過小，可能把碎片當成原目標分 裂出來的小目標，過大，可能失去跟蹤。當然可試著調節以適應不同場景)。該 演算法對由於運動檢測在地面上產生的碎片抗干擾性比較差， 運動目標和碎片相遇 時，容易發生融合又分離的現象，造成軌跡混亂。消失目標和新生目標很容易當 成同一目標處理，所以可能出現一個新目標繼承新生目標的軌跡。 運動方式： 運動目標的最大數量由外部設定。 但運動跟蹤對運動目標比較稀疏的場景效果比 運動方式： 較好。 演算法對由於運動檢測在運動目標上產生的碎片有一定的抗干擾。 演算法沒對 物體的遮擋進行處理。對於兩運動目標之間的遮擋按融合來處理。 拍攝角度： 拍攝角度：拍攝視野比較大，且最好是俯視拍攝。

『陸』 動作捕捉技術是什麼原理

從技術的角度來說，運動捕捉的實質就是要測量、跟蹤、記錄物體在三維空間中的運動軌跡。典型的運動捕捉設備一般由以下幾個部分組成：
· 感測器。所謂感測器是固定在運動物體特定部位的跟蹤裝置，它將向 Motion capture 系統提供運動物體運動的位置信息，一般會隨著捕捉的細致程度確定跟蹤器的數目。
· 信號捕捉設備。這種設備會因 Motion capture 系統的類型不同而有所區別，它們負責位置信號的捕捉。對於機械繫統來說是一塊捕捉電信號的線路板，對於光學 Motion capture 系統則是高解析度紅外攝像機。
· 數據傳輸設備。 Motion capture 系統，特別是需要實時效果的 Motion capture 系統需要將大量的運動數據從信號捕捉設備快速准確地傳輸到計算機系統進行處理，而數據傳輸設備就是用來完成此項工作的。
· 數據處理設備。經過 Motion capture 系統捕捉到的數據需要修正、處理後還要有三維模型向結合才能完成計算機動畫製作的工作，這就需要我們應用數據處理軟體或硬體來完成此項工作。軟體也好硬體也罷它們都是藉助計算機對數據高速的運算能力來完成數據的處理，使三維模型真正、自然地運動起來。

『柒』 跑步軟體哪個好

悅跑圈、咕咚、樂動力、Runtastic PRO、慢跑精靈。以上五款跑步軟體定位準備，均擁有獨特的演算法來計算卡路里，值得推薦。

5、慢跑精靈：記錄每一次跑步的路線、里程、配速、消耗卡路里，還可以將每次跑步路線與好友分享。每當達成一定的條件，都會解鎖一枚徽章。還可以切換到地圖模式中查看自己跑步的路線，或者提前規劃路線。

『捌』 運動跟蹤系統根據哪些參數來評價演算法的好壞

作戰 效 能 評估技術是近年來航空領域廣泛關注的研究項目，是二十一世紀綜合性、前沿性技術。綜觀飛機的研製過程，戰效評估在飛機戰術技術經濟可行性論證階段以及作戰使用研究等方面都具有重要的作用。本文從飛行力學和計算機數學模擬模擬的角度出發，對殲擊機空戰效能評估方法進行研究，內容包括如下幾個方面: 1) 自 動 化空戰模擬原理。提出戰術動作、飛機質點運動方程、戰效評估准則以及計算機計算有機結合的閉環模擬機理，給出適合飛機方一案論證階段使用特點的空戰模擬方法。 2) 空 戰 初始態勢設置、空戰戰術動作組合的戰術理論依據。通過對可能面對的作戰使用環境下的作戰對象能力分析，從飛行力學的角度出發，提出符合飛機戰術使用原則的戰術動作組合的理論依據，建立戰術動作理論數學模型。 3) 根 據 近距空戰的特點，分析近距導彈帶離軸角發射的使用條件，建立適於空戰模擬的數學模型。 4) 以 某 第三代戰斗機為例進行空戰模擬計算機模擬，結果表明:在考慮模擬雙方不同的高度、速度、兩機距離和方位的態勢下，能夠實現多次的自動化模擬模擬計算，計算的戰損情況與國外相關資料數據對比總體趨勢吻合，結果具有較高的可信度。表明了本文中給出的空戰效能評估方法在工程應用中具有重要的作用。同時也證明了模擬方法、數據處理、戰術動作鏈以及數學模型是正確的。另外，還對影響超視距、近距空戰效能的主要勝機參數進行了定量分析。 本研究對型號研製和預先技術研究有重要應用價值 。關鍵詞:空戰模擬，戰效評估准則，空戰初始態勢，戰術動作鏈. 1.1概述 殲擊 機 作 為現代的武器裝備，隨著科學技術的發展，其各系統的構成和功能越來越完善和先進。隨之而來的問題，飛機的研製經費和單機價格相應增高，研製周期也隨之增長。在新機研製、老機重大改進等投資決策時，需要進行必要的效費比分析。殲擊機效費比分析的基礎和難點在於如何評價其作戰效能。空、海軍使用部門對某機型制定采購計劃或向研究部門提出新要求時也迫切要求分析與作戰對象對抗的作戰效能情況:研製部門在研製工作中，對某項新技 術做技術決策時，在技術上可行，經費不超指標的情況下，主要考慮盡最大可能滿足部隊的需要，而判斷是否滿足需求的重要方面需進行作戰效能分析。因此，殲擊機空戰效能分析研究是科學技術發展所推動出來的要求;是從事武器裝備研製各層次人員工作的客觀需要。戰斗機的作戰效能評估是一項綜合技術和一種衡量戰斗機優劣的手段，是將戰斗機作為一個武器系統來評估的,其充分反映了飛機所採用的主要技術對作戰能力的影響。根據以往的空戰經驗和戰術理論研究的發展，由於在不同的空戰階段中，戰斗機機群的組成、機動飛行軌跡、火控系統和使用武器各不相同， 因此，戰斗機的空戰主要分為兩個階段:超視距空戰，近距空戰。超視 距 空 戰效能主要取決於機載設備和武器;近距空戰效能主要取決於飛機的機動性能和導彈的離軸能力(包括採用光電雷達或頭盔)。作為第一.二代飛機，基本上沒有超視距空戰能力(只有少數第二代飛機改進型實現了超視距攻擊)，近距空戰效能相對也較差。第三 代 飛 機的早期型，如F一比A飛機，以改善機動能力，提高近距作戰效能為主，第三代飛機機動性比二代飛機平均高70%左右，導致兩代戰斗機的近距作戰效能相差2一3倍，隨著技術的發展，第三代戰斗機的改進型，如F一16C飛機，掛裝了AIM一7F中距導彈，超視距作戰效能大大加強。第四代 戰 斗機為了進一步提高飛機的作戰效能，遠距採用隱身技術和超音速巡航方式，裝遠距離探測雷達，掛主動雷達型空空導彈;近距則採用先進的氣動布局，具有良好大迎角氣動特性和推力矢量，在第三代飛機的機動性基礎上，強調提高飛機的敏捷性、過失速機動能力隊.空戰效 能 分析工作早已為世人所重視九十年代前評價殲擊機的作戰有效性，主要用加權參數法，該方法屬靜態評估法，在很大程度取決於使用者的經驗。八十 年 代 ，我國研究空戰模擬的途徑，主要用微分對策，該方法計算工作量大，也不能直接反映飛機及其武器系統的參數影響。飛機設計中使用甚為不便，且其計算結果的可信度往往也令人產生懷疑。八十年 代 末，我國自行研製出一個可以模擬飛機作戰動作的空戰戰效分析軟體。該軟體對火控系統和導彈等模擬的簡單，對評價現代殲擊機的作戰效能還存在一定的差距。 1.2國外作戰效能技術發展動態 美國,俄羅斯等航空發達國家十分重視軍用飛機的作戰效能的研究，都設立專門的機構從事這些方面的研究工作，如俄羅斯的高斯尼亞斯，由專門的部門進行航空武器系統的作戰效能研究。 國外 早 在 七十年代就提出用計算機模擬和半物理模擬相結合，有人在環的空戰模擬裝置。建造這種設施耗資大，而且計算周期長，美、前蘇聯、法、英、德等國都曾建造過這類設施來進行空戰模擬。 八十 年 代 隨著電子計算工作站和微機的迅速發展，模擬技術的廣泛應用，無論美、歐還是俄羅斯都採用數字模擬為主的戰效分析手段。美國的F一22飛機設計時，為確定飛機、火控系統和武器等參數的匹配，曾在微機上進行一百萬次包括各種情況的空戰模擬，每天要完成一萬次的空戰模擬。從國外 各 種作戰效能研究的情況看，可以把飛機作戰效能研究按其復雜程度初步分為四級[8::對比法(性能參數分析)，計算評估法(效能指數分析)，計算機模擬法(模擬器空戰半物理模擬和計算機空戰全數字模擬)和試飛(真試飛及空戰演習的全物理模擬)。每種方法都有各自的優缺點，適合一定的應用范圍，很多時候不同方法需要互相補充才能更好地說明問題。其中模擬器空戰模擬和計算機空戰模擬在頂層分析論證階段被廣泛採用。 1)對比法 這種 方 法 在工程應用中經常使用，其主要的表達形式就是以列表方式，根據所要比較的作戰對象，將主要指標參數同時列於表中，然後進行比較分析一般列 於 表中的參數主要有:性能參數，雷達參數，導彈參數以及RCS等性能 參 數 包括飛行包線(飛機高度、速度范圍)、定常盤旋過載、瞬時盤旋角速度、爬升率、航程和作戰半徑、起飛和著陸滑跑距離等。雷達參 數 包括雷達的探測距離、跟蹤距離、搜索及跟蹤空域等。導彈參數包括導彈的攻擊距離、過載、離軸角、末制導距離等。 2)計算評估法 計算評估法是選擇與作戰飛機效能密切相關的參數，按一定規律進行計算得出代表效能的指標或效能高低代表值的方法。該種方法的例子如近距攻擊系數方法、作戰效能指數方法等。近距攻擊系數方法具體的公式表達為N（穩定盤旋過載），Nyinax（最大使用過載）SEP（單位剩餘功率）的一個方程，通過選取上述參數值，就可以計算出近距攻擊系數值，經過不同飛機的上述計算，就可以得出每架飛機作戰效能的高低。 作戰效能指數法又可分為空空效能指數和空地效能指數，運用計算評估法關鍵的問題是選擇評估參數。對不同的作戰飛機應按其主要任務選擇關系密切的參數，例如，評估空空效能可選用與機動性武器攻擊力和探測目標能力有關的參數:評估空地效能可選用載彈量、外掛武器的掛架數量和生存力、突防能力等有關的參數。對於有些參數難以通過技術計算得出結果的，可通過專家決策來選取。 3)計算機模擬法 計算機模擬法分為數字模擬方法和空戰模擬(空戰模擬器)方法。其中模擬計算都是依據飛機的確切數據和運動方程逐步計算出飛機的飛行軌跡進行空戰，計算結果都是以損失比的形式給出，並且需要多次空戰模擬計算，才能最終得到統計平均值。空戰模擬是在數字模擬的基礎上發展起來的，採用六自由度運動方程，增加了座艙視景系統、飛控系統和教官監控系統等，操作需要有油門桿、腳蹬、駕駛桿及雷達截獲、武器發射按鈕。 4)試飛法 試飛方法相對復雜，能夠真實評價空戰雙方的作戰效能，但花費的時間、經費和人很大，實現起來有很大的困難。由於數字模擬方法綜合了飛機氣動性能、雷達火控、導彈和隱身等專業技術，並與.嚨斗機的空戰戰術要緊密相結合，國內目前從理淪和模擬方面尚需要完善。從發展的趨勢看，戰效評估技術將成為未來飛機設計的必備技術，因此，從工程應用的角度出發，開展此項研究，跟蹤世界先進技術，更好的為型號應用是十分重要的。 1.3空戰的基本特點及效能評估研究的意義 第三 代 戰 斗機是以導彈作為主要武器進行空戰的戰斗機，通常認為現代空戰由超視距空戰(BeyondVisualRailge)和近距(closein，或視距內winvisuRange) 空戰兩個階段組成，但各階段的空戰特點不同在超視 距 空戰階段，戰斗機的活動帶有機群作戰的特點．一般，戰斗機被分為不同的戰術任務組，其中每一組都應完成總作戰意圖所規定的任務，例如攔截敵方轟炸機群，准備與敵方護航戰斗機遭遇等等。但無論如何，每一機組為完成預定任務所做的機動飛行都應保證戰斗機進入武器發射的有利狀態。為此，可認為戰斗機的空戰模式由以下階段組成: 一 接近與搜索階段。此時戰斗機按地面(或空中)指揮員的命令爬升到預定的飛行高度，並向目標接近。當目標進入戰斗機的機載雷達探測范圍之內時，戰斗機的飛行力圖使雷達截獲目標。隨後，戰斗機進入保證導彈發射條件的預備性機動階段; — 預備性機動階段。在此階段中，為了保證機載雷達始終截獲目標，並使盡快地達到導彈發射條件，戰斗機必須進行相應的曲線跟蹤飛行． — 發射導彈以及發射後的制導階段。當目標進入導彈攻擊區時，即可發射導彈。但導彈發射後，對於採用半主動雷達末制導的中遠程導彈，還要求戰斗-機的雷達繼續照射目標(為導彈提供修正目標位置誤差必要的信息)，直到該導彈進入主動導引段開始為止． — 規避敵方導彈的攻擊階段。在此階段中，戰斗機完成急劇的機動飛行(例如加力轉彎，俯沖等)以規避敵方導彈的攻擊，最後戰斗機退出超視距空戰或進入近距空戰。 近距空戰是在駕駛員目視可見目標，且沒有地面(或空中)指揮員的信息支持進行的。由於此時敵我雙方距離近，故決定了戰斗的短暫性，且戰斗機要完成各種急劇的機動飛行。在此條件下，急劇的機動飛行可劃分為: — 搜索目標的機動飛行。例如目標在戰斗機的上方時，採用戰斗轉彎機動飛行;反之，採用半滾倒轉飛行等; — 保證實現發射導彈條件的預備性機動。在使用可離軸發射的全方位攻擊導彈時，戰斗機可能進行機動飛行的准則是使飛機的縱軸迅速指向目標。因為，在近距空戰中，第一次發射導彈的有效性如何是對空戰結局起著決定性作用的同時，在雙方導彈性能對等的條件下，戰斗機提前瞄準目標的時間應不小於導彈飛到目標所用的時間;

『玖』 camshift或者mishift 運動目標自動跟蹤的實現

camshift 實現自動化跟蹤的小技巧opencv 提供了使用基於顏色的跟蹤演算法camshift, 很好的演算法，可是它是個半自動的演算法，它需要用戶在跟蹤界面設定跟蹤的目標。怎麼預先設定目標再來跟蹤呢？
本人偷了個懶，加入了用一張圖片來設定跟蹤的目標，在啟動中載入圖片，生成跟蹤需要的histogram。這樣實現了自動化的跟蹤吧。步驟如下：
1. 找到你需要跟蹤的物體，拿到攝像頭前，照一張相（print screen），這里需要注意的是，由於光線變化，臨近攝像頭會亮一些，離遠會暗一些，那麼最好跟蹤的物體的拍攝顏色與實際跟蹤中顏色相近。2. 打開畫筆功能，新建一張圖片(320*240)，大小與視頻源圖像一致，把物體截取放大，這樣跟蹤的顏色區域就都在圖像中了。 3。在代碼中加入 void loadTemplateImage()
{
IplImage *tempimage = cvLoadImage("F:/OM_tracking/Test cam shift/ShadowTrack/Debug/green.bmp",1);
cvCvtColor( tempimage, hsv, CV_BGR2HSV );
int _vmin = vmin, _vmax = vmax; cvInRangeS( hsv, cvScalar(0,smin,MIN(_vmin,_vmax),0),
cvScalar(180,256,MAX(_vmin,_vmax),0), mask );

cvSplit( hsv, hue, 0, 0, 0 );

selection.x = 1;
selection.y = 1;
selection.width = 320-1;
selection.height= 240-1; cvSetImageROI( hue, selection );
cvSetImageROI( mask, selection );
cvCalcHist( &hue, hist, 0, mask ); float max_val = 0.f;

cvGetMinMaxHistValue( hist, 0, &max_val, 0, 0 );
cvConvertScale( hist->bins, hist->bins, max_val ? 255. / max_val : 0., 0 );
cvResetImageROI( hue );
cvResetImageROI( mask );
track_window = selection;
track_object = 1; cvReleaseImage(&tempimage);}4，去掉原來的生成Hist的代碼。在啟動時候加入loadTemplateImage5.運行代碼，看結果吧. 代碼這里下載