1、“.....是观测矩阵，是测量矩阵。方程和方程构成了滤波目标跟踪系统，卡尔曼滤波方程分为两组时间更新和测量更新。时间更新方程ˆˆ测量更新方程ˆˆˆˆ动态模板当我们使用背景减除法检测目标，会因为在跟踪过程中图像噪声影响和目标趋向出现改变而出现目标。选择适当模型与目标匹配是很有必要。在我们研究中我们使用动态模板来解决这个问题。我们考虑卡尔曼滤波预测结果作为下帧动态模板。动态模板用于从多个候选区域模型中检测出目标模型......”。

2、“.....它决定于动态模板和候选区域之间相似度，选出来模型区域是候选区域中和动态模板具有最小距离区域。距离是有巴氏距离计算出来，它是由手段协方差决定，距离公式定义为,,其中是矩阵均值，是矩阵协方差，这里只需要或，当等于，和分别是目标模型均值和协方差，当等于，和分别是候选区域均值和协方差，代表行列式，在这里和是常数。代表转置，代表分解。基于动态跟踪算法描述模板和卡尔曼滤波跟踪算法流程图如图所示。首先......”。

3、“.....然后根据背景减法计算目标初始模型。我们可以提取颜色直方图表示背景特征，而且利用当前帧与背景帧图像减法检测运动目标。然后我们可以找到最大检测区域作为运动目标模板，记录目标模板中心位置，大小和颜色直方图信息，其中中心位置信息作为卡尔曼滤波器状态向量，包括中心坐标和速度，。然后，我们用卡尔曼滤波预测目标位置。预测计算方程是，和。其次，更新目标状态。它包括更新目标估计状态值和误差协方差矩阵下步，我们确定动态模板......”。

4、“.....动态模板是下帧目标模型选择标准。开始数据初始化提取背景信息读取下帧背景图像差分法检测目标卡尔曼滤波预测确定动态系统读取下帧图像确定多个候选区域根据动态系统选择目标结束是否是最后帧是否检测到目标基于背景减除法方法，我们,第帧第帧第帧第帧图高速公路跟踪结果图跟踪结果其中和是个图像大小和分别为是和定量。被量化为进制和被量化为进制，在这里特征向量计算为,是中每个像素数目是直方图中各层次比例......”。

5、“.....滤波模型滤波有两个基本方程状态方程和测量方程。方程是状态方程方程是测量方程。在方程和中，和代表测量噪声和过程噪声，状态向量，和代表物体运动时在轴和轴位置，和代表物体在轴和轴移动速度是状态转移矩阵，是控制矩阵，是单位矩阵，是观测矩阵，是测量矩阵。方程和方程构成了滤波目标跟踪系统，卡尔曼滤波方程分为两组时间更新和测量更新。时间更新方程ˆˆ中文字,单词......”。

6、“.....许多被提出跟踪算法实现了克服噪声，遮挡，杂波，和前景目标或者背景环境变化困难。对于传统基于卡尔曼滤波跟踪算法，由于图像中背景噪声而有检测过程几个候选区域，从而导致在视频序列中或丢失目标跟踪结果。我们提出了个结合动态模板卡尔曼滤波目标跟踪算法......”。

7、“.....实验表明，该算法具有更好跟踪精度，并具有良好鲁棒性背景干扰。关键词目标跟踪，卡尔曼滤波，动态模板，候选区域引言目标跟踪技术广泛应用于智能监控，视频压缩，图像处理等领域。跟踪场景和光照变化增加了目标跟踪复杂性。这也是个极大挑战。般来说，解决这个问题有两种方法是基于特征模式匹配方法，另外个是基于参数估计方法。我们使用基于特征模式匹配方法......”。

8、“.....然后利用卡尔曼滤波预测下帧目标区域，然后我们根据预测结果达到新动态模板。基于卡尔曼滤波跟踪算法是主要方法，卡尔曼滤波和动态模板结合提高了跟踪效果。本文其余部分组织如下。第部分描述了算法。第部分展示了实验结果。第部分是得出结论。算法描述颜色直方图特征提取提取特征四种主要方法灰色直方图，颜色直方图，边缘直方图和纹理特征提取。本文我们考虑了颜色直方图作为特征提取目标模型研究。颜色空间光照易受照明影响。为了在个具体应用钟使用个好颜色空间......”。

9、“.....因此，空间被转换到空间，转换公式如下≠≠≠其中，和是从到是从到是从到，是从到。在我们方法中和为非等间隔量化，然后三个颜色分量表示为维特征向量分为个层次。在这里，为图像特征向量，包含特征，和，图像中每个像素直方图对应,和三个颜色分量，因此定义是这样,其中和是个图像大小和分别为是和定量。被量化为进制和被量化为进制，在这里特征向量计算为,是中每个像素数目是直方图中各层次比例......”。