国内外研究现状和研究意义

吉林大学博士学位论文

背景及意义

视觉是人类感知外界信息的重要手段，外界信息的80%以上都是人类通过视觉获取的，当今社会，视频在人类的生产、生活中被广泛传播，成为了人们获取信息最重要的手段。伴随着电子计算机处理能力的飞速发展，人们利用视频内容为自己服务的要求越来越高，利用计算机的高速处理能力为人类提供更加直接有效的视频信息变得越来越重要，智能视频处理的研究越来越受到重视，视频监控系统的应用也日益广泛。

目标跟踪作为智能视频处理的一个重要分支，得到了各国学者的重视，这其中有很多原因使得目标跟踪被大家所关注，其一，计算机的快速发展使得视频处理的大量运算得以实现；其二，存储介质的价格不断降低，使得大量的视频信息得以保留，方便后期调用；第三，军事、民事的需求增强，人们都想借助计算机协助改善生活质量。

目标跟踪在如下领域已经在发挥无可替代的作用：

（1）军事应用，军事上的巨大应用前景极大促进了运动目标识别技术的发展，远程导弹、空空导弹的精确打击，飞机航线的设定和规避障碍等都离不开目标跟踪技术，无人机的自动导航功能，通过将目标跟踪得到的位置信息和自身航行速度做分析，实现自主飞行。

（2）机器人视觉，智能机器人能像人类一样运动的前提就是它能“看”到外面的世界，并用“大脑”对其分析判断，认知并跟踪不同的物体，机器手需要通过在手臂上安装的摄像头，锁定目标，并跟踪其运动轨迹，跟踪抓取物体。

（3）医学影像诊断，目标跟踪技术在超声成像中目标自动跟踪分析有着广泛的应用前景，由于超声图像噪声非常大，有用信息很难清楚直接的通过肉眼定位识别，在整个视频中，对有用目标进行准确识别跟踪，将会极大提高诊断准确性，Ayache 等人已经将目标跟踪应用到了超声检查的心脏跳动中，为医生及时准确的诊断心脏问题提供了很大的帮助。

（4）人机交互，传统的人机互动是通过鼠标、键盘、显示器完成的，一旦机器能够跟踪人类的肢体运动，就可以“理解”人类的手势、动作，甚至嘴型，彻底改变传统的人机交互方式，将人机交互变得和人与人之间的交流一样清晰。

（5）车辆跟踪，目标跟踪的一个非常重要的贴近民生的应用就是车辆跟踪。随着汽车相关技术的不断成熟和居民生活质量的大幅提升，我国从自行车大国逐步过度到汽车大国，家庭对汽车的拥有量将发生井喷，越来越多的家庭拥有自己的汽车，使得道路交通负担越来越重。另一方面，城市建设已经定形，城市中的公路已经无处可修，有限的公路对应不断增加的汽车数量，使得交通事故频发，这些问题对道路交通管理提出了更加严格的要求，逐步形成了智能交通系统的概念。智能交通能够由计算机自动识别车辆信息，并跟踪车辆行驶，分析闯红灯，违章变线，车辆逆行等违章行驶事件，将会极大减轻交通警察的工作压力，提高行车安全，减少交通事故的发生。另一个重要的应用是，如果车辆的目标跟踪得到快速发展，那么自动驾驶将成为可能，现在车辆上应用的定速巡航功能，仅仅可以做到定速，也就是电脑控制车速保持，而无法自动识别路面上车辆行驶情况，自动控制车辆的转弯变速，一旦车辆的目标跟踪技术成熟，那么将会给道路交通带来非常深远的影响，极大提高人们的生活质量。

1.2 国内外研究现状

目标跟踪领域的研究是一个非常复杂的课题，随着信息技术的飞速发展，视频监控深入到了人们生产生活中的各个领域，自然引起了各国学者的重视，许多国家投入了大量的人力物力财力去深入研究，解决目标跟踪领域出现的问题，促使目标跟踪算法的飞速发展，视频目标跟踪领域的提出以及发展现状简要的叙述如下：

Wax 于1955 年最早提出了目标跟踪理论的基本原理，Sittler 于1964 年提出目标点轨迹的概念和目标运动路径最优数据关联的贝叶斯理论，由此改进了目标跟踪算法，为后来目标

跟踪理论的成熟打下了基础。

70 年代，Yaakov 和Singer 于将卡尔曼滤波算法和相关的数学理论引入到目标跟踪算法中，促使目标跟踪技术在这个时期发生了非常大的发展，之后很多科学家在运动目标跟踪和数据相关等方面提出了自己的算法，比如当时比较有影响的算法：时间相关模型联合数据关联滤波器、多重假设目标跟踪、交互式多模型滤波、概率数据关联滤波、分层融合滤波等很多经典算法。

90 年代后，Cheng X R L，Kirubarajan T，Mori S 等一些目标跟踪领域的学者在均值偏移理论、概率多假设追踪、变结构多模型、分布的目标融合等几个方面做出了突出贡献，将目标跟踪领域向前推进了一大步，特别是1995年，Cheng 对Mean shift 理论进行的完善，定义了核函数，针对样本点的不同偏移位置，应用不同的统计特性，并且提出了权值系数，使得不同样本点的权值也不相同，极大的增强了运动目标跟踪的时效性和准确性。这之后一直到今天，在目标跟踪领域中，mean shift 算法及其改进算法一直是学者研究的重点。

进入21 世纪，Doucet A, Gordon N，Godsll S J，Maskell S 等学者又将粒子滤波方面的研究成果加入到目标跟踪领域中，粒子滤波可以用来解决非线性、非高斯分布的情况，但粒子滤波依旧有很多方面需要改进，针对粒子滤波的目标跟踪算法受到了相关领域研究者的广泛关注。

当前众多的学术期刊，每年都有很多篇有关目标跟踪领域的学术论文发表，如IEEE Transactions on Pattern Analysisi and Machine Intelligence(PAMI)，IEEE Transactions on Image Processing（IP），IEEE Transactions on Pattern Analysisi and Machine Intelligence，（TPAMI）The Institute of Electronics,Information and Communication Engineers（IEICE）等都很重视目标跟踪领域学术成果。

很多世界上顶级的学术会议每年也都有专门的目标跟踪方面的分会，如IEEE

Conference on Computer Vision and Pattern Recognition （ICCVPR），IEEE Conference on Computer Vision（ICCV）等。

国外很多著名的学府也都成立的专门的计算机视觉实验室，对目标识别、检测、跟踪进行专门的研究，如Carnegie Mellon University，Stanford University，Massachusetts Institute of Technology，Royal Institute of Technology，University of Cambridge 等。

很多公司研究机构也成立了目标检测跟踪项目部，对目标跟踪领域的应用进行更加深入的挖掘，如SRI International，BAE，The Beckman Institute，Mitsubishi Electric 等。

国内目标跟踪领域起步较国外有些滞后，但是近年来越来越多的高校和研究所开始重视目标跟踪方面的研究，并且取得了非常不错的研究成果，这其中包括了清华大学，哈尔滨工程大学，华中科技大学，上海交通大学，国防科技大学，吉林大学，中国科学院计算机技术研究所等。

国内的学术期刊也重视视频跟踪方面学术成果的交流，每年都会有很多目标跟踪方面的学术论文发表，如计算机学报，软件学报，自动化学报等。在车辆跟踪领域，当今世界的发达国家都将智能交通作为重要的研究课题进行研究和规划。美国交通部早在1999 年就将车辆检测系统加入其高速公路的检测系统（HPMS，Highway Performance Monitoring System）的评测报告中。

智能交通领域的专家预测的未来智能交通系统会给人类带来很多有意的改善，包括交通拥堵量下降20%，由于拥堵造成时间延误所带来的损失将减少10%-25%,车辆油耗降低30%，同时废弃排放减少20%，最重要的是可以极大减少车祸的发生概率，预计可降低50%-80%。

1.3 车辆目标跟踪的关键问题

1.3.1 目标的特征提取

在目标跟踪之前，我们首先需要得到要识别的目标，也就是在跟踪初始化的第一帧图像上找

到要跟踪的目标，并对这个目标用数学表达式进行描述，以便在之后的跟踪过程中，适时的识别目标特征。目标描述的方法直接决定了目标跟踪的准确性和实时性，一个好的目标描述方法可以剔除噪声干扰，当车辆发生运动速度变化或者自身形态变化时，依然能够根据车辆目标的特征，准确的识别目标。所以对目标的描述方法直接决定了目标跟踪的质量，一个更加科学有效的车辆目标描述方法是众多目标跟踪领域学者不懈追求的目标。目标特征有很多方面，下面对特征提取方法做简单分类如下：

目标颜色的特征提取：对目标的颜色进行汇总，形成的颜色直方图是一种广泛应用的图像特征描述方法。这个方法统计同一种颜色在整幅图像中的数量，形成全体颜色的比例直方图。只关注颜色和其对应的数量，而对不同颜色像素点在整幅图中所处的位置不做记录，这种方法不去关心物体的变化，更不去关注物体的边缘，只关注颜色的比例，适合变化物体和边缘不清晰物体的分割方法。

图像的色彩空间有很多种分类，分别适用于各自的图像处理领域。RGB 颜色模式是由红、黄、蓝（RGB）三种颜色按照一定比例叠加在一起，形成各种颜色。它是一种人们生活中最常用的颜色表示方法，RGB 颜色模式几乎囊括了人眼可以识别的所有大自然的色彩，这种颜色标准也被大量应用在工业应用中。

HSV(Hue, Saturation, Value)是根据颜色的直观特性由Smith A R，在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。HSV 颜色模型是由色调、饱和度、亮度（HSV）三种参数组合形成的。它的三维表示从RGB 演变而来，在RGB 立方体的对角线顶点向下观察，就可看出RGB立方体的六边形的形状，其中的色彩是由六边形边界表示的，饱和度是由水平轴表示的，亮度是由垂直轴表示的。

LUV 色彩空间全称CIE 1976(L,u,v)色彩空间，L 表示物体亮度，u 和v 是色度。于1976 年由国际照明委员会(International Commission on Illumination)提出，由CIE XYZ空间经简单变换得到，具视觉统一性。类似的色彩空间有CIELAB。对于一般的图像，u 和v 的取值范围为-100 到+100，亮度为0 到100。

目标边缘的特征提取：目标边缘特征在图像中表现为灰度值的阶跃变化，通过对变化灰度值的检测，得到目标边缘信息，完成对目标的特征提取。相对上面提到的目标颜色特征提取，目标边缘的特征对光照等外部环境变化有较高的稳定性。经典的目标边缘检测方法有Sobel 模板，Prewitt 模板，Roberts 模板等，它们都是通过梯度算子来实现的。在这些模板上提出的边缘检测算子可以通过信噪比求出最优边缘滤波器。之后发展起来的Canny 边缘检测方法在得到更高精确度的前提下，降低了计算的复杂度，得到了广泛的应用。

目标纹理的特征提取：目标的纹理特征是表面细节信息的一种，可以描述目标表面的平滑性和规律性。想要获得目标的纹理特征，需要预先对图像进行处理，灰度共生矩阵，可控金字塔等都能较好的提取目标的纹理特征。

目标调频调幅特征提取：调频调幅的方法是对图像频率和幅度调制进而对图像分析的一种手段。利用这个特征对目标进行跟踪时，对目标的尺度变化和目标运动旋转不敏感，能较好的完成目标跟踪。

目标混合特征提取：目标不同特征都有其适应的环境，在一个变化的环境中找到一个目标特征能够准确的对目标进行描述非常重要。对于光照变化较大的环境，目标的纹理特征要优于目标的颜色特征；而在描述刚性目标时，边缘特征又较纹理特征有优势。将目标的多重

特征综合在一起去对目标进行表达，可以起到优势互补的效果，得到鲁棒性更强的目标特征。Zhang B 等人将目标的颜色特征和目标的纹理特征融合在一起，提出目标的混合特征描述等学者将目标的颜色特征和方向梯度特征融合在一起进行特征描述。Sun L 等人提出整体描述与局部描述的融合特征描述方法，都取得了很好的效果。

目标跟踪算法

对于视频中的运动物体，在确定了目标特征的描述后，得到目标的观测模型，根据观测模型，利用目标跟踪算法即可对运动目标进行跟踪，根据目标检测和跟踪的关系划分如下：（1）先检测，后跟踪：首先检测图像中的运动目标，然后与前一帧图像中相同目标进行对比，得到跟踪目标。

（2）先跟踪，后检测：先对下一帧图像中目标可能出现的位置进行预测，然后通过检测结果进行修正，得到跟踪目标。

（3）边跟踪，边检测：两个步骤同时进行，跟踪需要依靠检测到的目标状态，检测需要依靠跟踪来提供对象区域。

车辆跟踪算法

当前的车辆跟踪算法有很多种，针对不同的目标特征，有不同的跟踪算法相适应，下面将车辆跟踪算法简单分类如下：

（1）区域匹配跟踪算法：区域匹配算法是一种最优理论的处理方法,在跟踪前，需要提供一个目标模板，在跟踪过程中，计算目标模板与候选目标的相似度确定目标跟踪的位置,运用区域跟踪算法与三维模型相结合的方法，对弹性连接体实施目标跟踪。Fatemeh K N 等人对目标区域进行提取，跟踪车辆的整体区域，它将车辆的所在范围内的所有像素点都看成是约束条件。Choi J 等人通过车辆区域和匹配点之间的匹配对目标进行跟踪，提出了车辆防碰撞系统。这些方法都是利用车辆区域模型对目标进行跟踪。

（2）特征匹配跟踪算法：目标的特征是物体多方向奇异点的集合，特征匹配算法也是基于最优理论的处理方法。这个方法包括特征提取，特征匹配。首先提取目标的特征量，这些特征量要有自身独有的特征，以便后续匹配过程的唯一性,接下来在下一帧中寻找与特征量相匹配的目标，这其中匹配的方法包括结构匹配、假设检验匹配、主动轮廓匹配等，最后根据算法给出的相似度量方程确定需要跟踪的目标位置。王进花等学者根据车辆Harris 特征，对车辆进行跟踪，算法简单，运算速度快，取得了较好的跟踪效果。谢磊等学者在上文基础上通过光学投影方程恢复了拟匹配的特征点高度信息，改善了算法，提高了车辆跟踪的准确性。宋丹等学者将目标颜色特性与Harris 特征相融合进行车辆跟踪，提高了跟踪的稳定性，在车辆有部分遮挡的时候仍能有效跟踪。

（3）轮廓匹配跟踪算法：这种算法利用封闭的曲线表述目标轮廓，在图像特征场中得到以曲线函数为参数的能量，将其最小化动态迭代运算，使得目标轮廓能够自动更新。它的优势在于如果目标的轮廓初始化合理，那目标跟踪性能会非常有益，但轮廓初始化的难度较大。轮廓匹配跟踪算法又分为有参模型和几何图像模型。较常用的轮廓匹配算法是Kass 提出的Snake 模型。张辉等人在Snake 模型基础上提出了GVF-Snake 模型，通过相邻帧的图像差分获取梯度矢量流的轮廓特征，完成对车辆目标的跟踪。Roya R 等学者利用形态学提取车辆的轮廓特征，有效完成了对高速公路上的多车辆的目标跟踪。高韬等人将均值偏移得到的跟踪窗做为目标轮廓的初始值，利用自适应水平集得到车辆的清晰轮廓，精确的跟踪了车辆的运动状态。

（4）光流跟踪算法：该算法利用运动光流场对目标进行跟踪。这种算法可以通过比较目标

和背景的运动差异对目标进行光流分割，还可以运用特征匹配求出特征点的流速。前面的方式计算量较大，但是提取运动目标的形状准确性高，后面的方法计算量小、运算速度快，适用于简单规则物体。光流跟踪算法整体计算较复杂，耗时较大，跟踪效果也不突出，比较难以实现实时跟踪的目的。Maurin等人提出将图像光流和背景区分的检测方案(OFBR 算法)，针对天气变化对车辆目标的影响，在目标检测时提取了位置、速度、形状等特征，完成了车辆目标的跟踪。

（5）3D 跟踪算法：3D 跟踪算法是复杂度最大的算法，首先需要构造目标的3D 模型，相比上面提到的4 类平面跟踪算法，目标3D 模型的信息量要大很多，对目标的特征提取和跟踪都会更加精准，跟踪的准确性和适用性都很高，但是最致命的缺点是运算量太大，仅仅停留在试验阶段，工程应用中很难在如此大量的运算下完成目标的适时跟踪。Gennery 利用3D 跟踪算法完成了在复杂的背景环境下对运动目标的跟踪。

车辆跟踪的主要难点

利用行驶的车辆视频对车辆进行跟踪成为智能交通、辅助驾驶领域的关键技术，越来越受到人们的重视。车辆跟踪作为目标跟踪领域的一个重要应用，有很多自身的特性。特别是车辆行驶在复杂多变的环境中，对目标车辆跟踪造成很大干扰。环境因素不仅包括外部的天气环境，比如：雨雪天气、雾霾天气、沙尘天气等能见度较差的环境，对视频中车辆清晰度造成的影响；更重要的是由于车辆的无规则运动带来的自身特征的变化，导致的车辆跟踪难度加大。车辆自身复杂的环境有以下几个方面：

（1）算法耗时长：车辆跟踪讲求的是时效性，在每秒25 帧的视频序列中，留给算法处理的时间仅有不到0.04 秒，如何在保证车辆准确跟踪的前提下，降低算法耗时是一个需要考虑的问题。

（2）目标快速运动：车辆的最大特点就是能够快速的运动，也正是这个特点给车辆跟踪定位造成了很大的困难，当车辆高速运动过程中，会造成视频中相邻两帧图像车辆目标的距离变化较大，很多跟踪算法在这样的情况下都无法准确对目标跟踪。

（3）摄像头抖动：大多数的跟踪过程中摄像机都不是固定在一个位置不变，这样就不可避免的会出现摄像头移动和抖动现象的发生，对视频图像造成一定干扰，抖动较大的时候，可能造成视频图像模糊不清，严重影响了目标车辆的成像，对跟踪效果产生不利影响。

（4）目标遮挡：车辆在行驶过程中无法避免受到其他车辆的部分甚至全部遮挡，如何在车辆有遮挡的情况下依旧可以准确跟踪，这对跟踪算法的鲁棒性提出了较高的要求。

（5）尺度变化：在与车辆平视采集过程中，无法避免的会出现透视畸变问题，导致车辆离摄像机较近时车辆的相对大小较大，当车辆逐渐远离摄像机时，车辆目标的相对大小逐渐变小。而且由于车辆的运动速度总是在变化，导致了车辆的位置不断发生变化，车辆的相对大小也总在改变，无规律可循，增加了车辆跟踪算法的难度。

（6）车辆旋转变形：车辆在行驶过程中遇到弯路，或者目标车辆和摄像头相对位置变化较大时都会产生目标车辆的相对旋转和变形，这时的目标特征改变较大，如何能够自适应的调整车辆目标特征，对其持续跟踪是车辆跟踪领域的一个难点。

（7）车辆自身特征改变：车辆在行驶过程中受到大面积阴影的遮盖，或者自身形态发生旋转等改变，就会带来目标特征的变化，适时的更新跟踪目标特征是车辆跟踪需要考虑的问题。（8）相似物体干扰：由于车辆间的特征相似度很高，在跟踪过程中难免受到相似车辆的干扰，如何避免相似车辆对跟踪造成的干扰也是一个难点问题。

（9）噪声干扰：在进行轮廓匹配算法对车辆的边缘特征提取过程中，去除大量噪声的干扰

准确检测到车辆的边缘信息，才可以在后续的跟踪算法中得到准确的车辆识别结果。

1.5 本文的结构安排

本文通过目标跟踪算法的研究，提出多种针对车辆目标的跟踪算法。本文的章节安排介绍如下：

第一章：绪论。介绍了本文的研究背景和研究意义，对本领域内的国内外研究现状进行说明。并且详细的阐述了车辆目标跟踪的关键问题，包括目标特征提取的方法、目标跟踪算法和车辆跟踪算法。并对车辆跟踪的主要难点进行阐述，最后对本论文的各章节内容安排进行了说明。

第二章：基于EKM 的车辆目标跟踪算法。首先介绍了密度估计方法，由此引出目标跟踪领域里的经典算法mean shift 跟踪算法，并对mean shift 算法的数学建模方法、目标定位方法进行说明，之后证明了mean shift 算法的收敛性并对mean shift 算法的目标跟踪步骤进行阐述。2.3 节介绍了卡尔曼滤波的方法，和卡尔曼目标跟踪的算法。之后提出了针对卡尔曼滤波算法和mean shift 的改进算法：EKM 车辆跟踪算法，并用试验验证了该算法在对车辆目标进行跟踪过程中的优势。2.6 节对本章内容进行了总结。

第三章:基于SPF 的车辆目标跟踪算法。本章以粒子滤波算法开始，介绍了粒子滤波的基本原理和采样方法，并分析了粒子滤波对目标进行跟踪的过程中存在的一些问题。针对这些问题，在 3.2 节提出了改进的粒子滤波车辆跟踪算法：SPF 算法。该算法的理论基础和在目标跟踪过程中的方法都有详细的阐述，之后通过多组试验，从各个角度分析了SPF 算法相对粒子滤波算法的优势，证明了该算的有效性。3.4 节对本章内容进行了总结。

第四章：一种新的目标边缘检测方法。首先介绍了现阶段边缘检测领域的研究现状，并由此提出了新的边缘检测算法：MSR 边缘检测算法。并详细阐述了该算法的构造过程，对其中关键的核函数带宽优化选择也有详细的阐述和试验说明。4.3 节介绍了该算法的边缘检测窗的建立和非极大值抑制方法，很好的提取了图像的单像素边缘信息。4.4 节通过大量的试验和检测手段验证了该算法针对含噪声图像的边缘检测性能要优于现阶段其他边缘检测方法。

4.5 节对本章内容进行了总结。

第五章：基于EMS 的车辆目标跟踪算法。首先介绍了新提出的EMS 算法的理论基础，并详细说明了运用这个算法进行车辆目标跟踪的方法和步骤。5.3 节介绍了本论文搭建的车辆目标跟踪平台，该平台融合了本文提出的新算法和经典算法，方便试验比较各算法的优劣。

5.4 节运用大量的试验数据说明EMS 算法的目标跟踪结果，证明了该算法在复杂条件下对目标车辆跟踪的准确性和鲁棒性。5.4节对本章内容进行了总结。

第六章：总结与展望。总结了本人在博士研究中所做的工作和本论文的创新点，并提出了下一阶段的研究方向。

[1+ D. Toth and T. Aach, “Detection and recognition of moving o bjects using statistical motion de tection and Fourier descriptors,” in Proceedings of International Conference on Image Analysis and Processing(ICIAP), pp. 430-435, 2003.

[2] D. M. Ha, J.-M. Lee, and Y.-D. Kim, “Neural-edge-based vehicle detection and traffic parameter extraction,” Image a nd Vision Computing, vol. 22, pp. 899-907, 2004.

*3+ E. Salvador, A. Cavallaro, and T. Ebrahimi, “Cast shad ow segmentation using invariant color features,” Computer Vision and Image Understanding, vol. 95, pp. 238-259, 2004.

[4] A. Prati, I. Mikic, M.M. Tr ivedi, and R. Cucchiara, “Detecting moving shadows: algorithms

and evaluation,” IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI), vol. 25, pp. 918-923, 2003.

[5+ R. Cucchiara, C. Grana, M. Piccardi, A. Prati, and S. Sirotti, “Improving Shadow Suppression in Moving Object Detection with HSV Color Information,” in Proceedings of IEEE Conference on Intelligent Transportation Systems, pp. 334-339, 2001.

[6] J-W. Hsieh, W-F. Hu, C-J. Chang, and Y-S. Chen, “Shadow elimination for effective

mov ing object detection by Gaussian shadow modeling,” Image and Vision Computing, vol. 21, pp. 505-516, 2003.

[7] S-Y. Chien, S-Y. Ma, and L-G. Chen, “Efficient moving object segmentation algorithm

using background registration technique,” IEEE Transactions o n Circuits and Systems for Video Technology(CSVT), vol. 12, pp. 577-586, 2002.

[8+ J. Stander, R. Mech, and J. Ostermann, “Detection of moving cast shadows for object segmentation,” IEEE Transactions on Multimedia, vol. 1, pp. 65-76, 1999.

[9] Y. Sheikh and M. Shah, “Bayesian modeling of dynamic scenes for object detection,” IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI), vol. 27, no. 11, pp. 1778-1792, Nov. 2005.

[10+ K. Rank, M. Lendl, and R. Unbehauen, “Estimatio n of image noise v ariance,” IEE E Proceedings: Vision, Image and Signal Processing, vol. 146, pp. 80-84, 1999.

[11] J-W. Hsieh, S-H. Yu, Y-S. Chen, and W-F. Hu, “A shadow elimination method for vehicle analysis,” in Proceedings of IEEE International Conference on Pattern Rec ognition(ICPR), vol. 4, pp. 372-375, 2004.上海交通大学博士学位论文2007 年1 月

[12+ L. D. Stefano, S. Mattoccia, and M. Mola, “A Change-Detection Algorithm Based on Structure and Color,” in Proceedings of IEEE International Conference on Advanced Video and Signal Based Surveillance, pp. 252-259, 2003.

[13+ M. Seki, T. Wada, H. Fujiwara, and K. Sumi, “Backg round Subtraction based on Cooccurrence of Image Variations,” in Proceedings of IEEE Co nference on Computer Vision and Pattern Recognition(CVPR), vol. 2, pp. П/65-П/72, 2003.

[14+ M. Seki, H. Fujiwara, and K. Sumi, “A robust background subtraction method for changing background,” in Proceedings of IEEE Workshop on Applications of Computer Vision, pp. 207-213, Dec. 2000.

[15] K. Toyama, J. Krumm, B. Brumitt, and B. eyer s, “Wallflo wer: Principles and practice of background maintenance,” in Proceedings of IEEE Inter national Conference on Computer Vision(ICCV), pp. 255-261, 1999.

[16+ A. Elgammal, R. Duraiswami, and L. S. Davis, “Efficient kernel density estimation using the fast Gauss transform with applications to color modeling and tracking,” IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI), vol. 25, no. 11, pp. 1499-1504, Nov. 2003. [17+ A. Elgammal, R. Duraiswami, D. Harwood, and L. S. Davis, “Backgr ound and Foreground Modeling Using Nonparametric Kernel Density Estimation for Visual Surveillance,” Proceedings

of IEEE, vol. 90, pp. 1151-1163, 2002.

[18+ N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE Transactions

on Systems, Man, and Cybernetics, vol. 9, no. 1, pp. 62-69, 1979.

[19+ A. Dempster, N. Laird, and D. Rubin, “Maximum likelihood from incomplete data via the

EM algorithm,” Journal of the Royal Statistical Society, Series B, vol. 39, pp. 1-38, 1977.

[20] N. Friedman and S. Russell, “Image segmentation in video sequences: a probabilistic approach,” in Proceedings of 13th conference on Uncertainty in Artificial Intelligence, pp.

175–181, 1997.

[21+ G. S. K. Fung, N. H. C. Yung, and G. K. H. Pang, “Ca mera calibration from road lane markings,” Optical Engineering, vol. 42, pp. 2967-2977, 2003.

[22+ R. Pless, J. Larson, S. Siebers, and B. Westover, “Evaluation of local models of dynamic backgrounds,” in Proceedings of IEEE Conference on Computer Vision and Pattern

Recognition(CVPR), vol. 2, pp. П/73-П/78, 2003.上海交通大学博士学位论文2007 年1 月[23+ S. Barotti, L. Lombardi, and P. Lombardi, “Multi-module switching and fusion for robust video surveillance,” in Proceedings of International Conference on Image Analysis and Processing(ICIAP), pp. 260-265, Sept. 2003.

[24+ S. S. Cheung and C. Kamath, “Robust techniques for background subtraction in urban

traffic video,” in Proceedings of SPIE, Visual Communications and Image Processing(VCIP), vol. 5308, no. 2, pp. 881-892, 2004.

[25+ N. Ohta, “A statistical approach to background subtraction for surveillance systems,” in Proceedings of IEEE International Conference on Computer Vision(ICCV), vol. 2, pp. 481-486, Jul. 2001.

[26+ C. Stauffer and W. E. L. Grimson, “Learning patterns of a ctivity using real-time tracking,”IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI), vol. 22, pp. 747-757, Aug. 2000.

[27+ C. Stauffer and W. E. L. Grimson, “Adaptive background mixture models for real-time tracking,” in Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR), vol. 2, pp. 246-252, 1999.

[28+ Y. Sun and B. Yuan, “Hierarchical GMM to handle sharp changes in moving object detection,” Electronics Letters, vol. 40, pp. 801-802, 2004.

[29] K-W. Lee and J. Kim, “Moving object segmentation based on statistical motion model,”Electronics Letters, vol. 35, pp. 1719-1720, 1999.

[30+ Q. Zang and R. Klette, “Robust background subtraction and maintenance,” in Proceedings

of International Conference on Pattern Recognition(ICPR), vol. 2, pp. 90-93, 2004.

[31] K-T-P. Pakorn and B. Richard, “A real time adaptive visual surveillance system for tracking

low-resolution colour targets in dynamically changing scenes,” Image and Vision Computing, vol. 21, pp. 913-929, 2003.

[32+ A. Monnet, A. Mittal, N. Paragios, and V. Ramesh, “Background modeling and subtraction

of dynamic scenes,” in Proceedings of IEEE Inter national Conference on Computer Vision(ICCV), vol. 2, pp. 1305-1312, 2003.

[33] L. Y. Li, W. M. Huang, I. Y. H. Gu, and Q. Tian, “Statistical modeling of complex backgrounds for foreground object detection,” IEEE Transactions on Image Processing, vol.

13, pp. 1459-1472, 2004.88

[34] 蔡文沁, “我国智能交通系统发展的战略构想”, 交通运输系统工程与信息, vol.3, pp. 16-22, 2003.

[35] 李瑞敏，陆化普，史其信，“综合交通信息平台发展状况与趋势研究”，公路交通

科技，vol.22, no.4, pp. 90-95, 2005.

[36] 李庆瑞，张洋，袁飞，“智能交通系统在高速公路领域中的应用探讨”，交通标准化，vol.22, pp. 32-36, 2006.

[37] 赵洪波，李永祥，杨翠玲，“21 世纪公路交通的标志-ITS”，黑龙江交通科技，vol.22, pp. 69-70, 2002.

[38] 王笑京，“智能交通系统的现状和2003 年的展望”，交通世界，vol.Z1，pp. 54-57, 2003.

[39] “智能交通系统”，中华人民共和国交通部网站：

https://www.sodocs.net/doc/2c10484692.html,/05zhishi/zhinengys/t20050919_26882.htm.

[40+ P. Shi, E. G. Jones, and Q. Zhu, “Median model for background subtraction in intelligent transportation system,” in Proceedings of SP IE, Imaging Processing: Algorithms and Systems III, vol. 5298, pp. 168-176, 2004.

[41+ S. Gupte, O. Masoud, R. F. K. Martin, and N. P. Papanikolopoulos, “Detection and Classification of Vehicles,” IEEE Transactions on Intelligent Transportation Systems, vo l. 3,

pp.37-47, 2002.

[42+ D. Farin, P. H. N. de With, and W. Effelsberg, “Robust background estimation for complex video sequences,” in Proceedings of IEEE International Conference on Image Processing (ICIP), vol. 1, pp. 145-148, 2003.

[43] F. E. Alsaqre and B. Z. Yuan, “Moving Object Segmentation for Video Surveillance and Conferencing Applications,” in Proceedings of International Conference on Communication Technology, vol. 2, pp. 1856-1859, 2003.上海交通大学博士学位论文2007 年1 月

92

[44] D. Xu, X. Li, Z. Liu, and Y. Yuan, “Cast shadow detection in video segmentation,” Pattern Recognition Letters, vol. 26, pp. 91-99, 2005.

[45+ K. Siala, M. Chakchouk, F. Chaieb, and O. Besbes, “Moving shadow detection with support vector domain description in the color ratios space,” in Proceedings of International Conference on Pattern Recognition(ICPR), vol. 4, pp. 384-387, 2004.

[46+ I. Mikic, P. C. Cosman, G. T. Kogut, and M. M. Trivedi, “Moving shadow and object detection in traffic scenes,” in Proceedings of International Conference on Pattern Recognition(ICPR). vol. 1, pp. 321-324, 2000.

[47+ T. Horprasert, D. Harwood, and L. S. Davis, “A Statistical Approach for Real-Time Robust Background Subtraction and Shadow Detection,” in Proceedings of IEEE International Conference on Computer vision FRAME-RATE Workshop, 1999.

[48+ J. S. McKenna, S. Jabri, Z. Duric, A. Rosenfeld, and H. Wechsler, “Tr acking Groups of People,” Computer Vision and Image Understanding, vol. 80, pp. 42-56, 2000.

[49] Y. Wang, T. Tan, and K-F. Loe, “A prob abilistic method for foreground and shadow segmentation,” in Proceedings of International Conference on Image Processing(ICIP), vol. 3, pp. 937-940, 2003.

[50+ D. Toth, I. Stuke, A. Wagner, and T. Aach, “Detection of moving shadows using mean shift cluster ing and a significance test,” in Proceedings of International Conference on Pattern Recognition(ICPR), vol. 4, pp. 260-263, 2004.

[51+ S. Nadimi and B. Bhanu, “Physical models for moving shadow and object detection in video,” IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI), vol. 26, pp.

1079-1087, 2004.

[52] A. Yoneyama, C. H. Yeh, and C-C.J. Kuo, “Moving cast shadow elimination for robust vehicle extraction based on 2D joint vehicle/shadow models,” in Proceedings of IEEE International Conference on Advanced Video and Signal Based Surveillance, pp. 229-236, 2003.

[53+ A. Leone, C. Distante, and F. Buccolieri, “A shadow elimination approach in video-surveillance context,” Pattern Recognition Letters, vol. 27, no. 5, Apr. 2006, pp. 345-355.

[54] N. Martel-Brisson and A. Zaccarin, “Moving cast shadow detection from a Gaussian mixture shadow model,” in Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR), vol. 2, pp. 643-648, 2005.

[55] 吴刚, 唐振民, 程勇, et al. 灰度共生矩阵纹理特征的运动目标跟踪方法[J]. 南京理工大学学报(自然科学版), 2010(04):459-463.

[56] Laws K. Textured image segmentation [D]. University of Southern California, 1980.

[57] Lu H, Wang D, Zhang R, et al. Video object pursuit by tri-tracker with on-line learning from positive and negative candidates[J]. IET Image Processing, 2011, 5(1): 101-111.

[58] Ahonen T, Hadid A, Pietikainen M. Face description with local binary patterns: Application

to face recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence.,2006, 28(12): 2037-2041.

[59] Lu H C, Fang G L, Wang C, et al. A novel method for gaze tracking by local pattern model and support vector regressor[J]. Signal Processing,2010, 90(4): 1290-1299.

[60] De Van Der Merwe R. D A F N. The unscented particle filter [R]. Techical report CUED/F-INFENG/TR 380 Cambridge University Engineering Department,2000.

[61] Sun L, Liu G Z. Visual object tracking based on combination of local description and global representation[J]. Proceedings of IEEE Transactions on Circuits and Systems For Video Technology, 2011, 21(4): 408-420.

[62] 尹宏鹏, 柴毅, 匡金骏, et al. 一种基于多特征自适应融合的运动目标跟踪算法[J]. 光电子.激光, 2010,(06):917-923.

[63] Leichter I, Lindenbaum M, Rivlin E. Mean shift tracking with multiple reference color histograms[J]. Computer Vision and Image Understanding, 2010, 114(3): 400-408.

[64] 韩松, 张晓林, 陈雷, et al. 基于改进高斯粒子滤波器的目标跟踪算法[J]. 系统工程与

电子技术, 2010,(06):1191-1194.

[65] 蒋蔚, 伊国兴, 曾庆双. 基于SVM 数据融合的实时粒子滤波算法[J]. 系统工程与电子技术, 2010(06):1334-1338.

[66] Yin H P, Chai Y, Yang S X, et al. Fast-moving target tracking based on mean shift and

frame-difference methods[J]. Journal of Systems Engineering and Electronics, 2011, 22(4):

587-592.

[67] Wang H Z, Suter D, Schindler K, et al. Adaptive object tracking based on an effective appearance filter[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007,

29(9): 1661-1667.

[68] 王欢任杨. 一种基于SMOG 模型的红外目标跟踪新算法[J]. 红外与毫米波学报,2008, 27(4): 252-256.

[69] Ross D A, Lim J, Lin R S, et al. Incremental learning for robust visual tracking[J]. International Journal of Computer Vision, 2008, 77(1-3): 125-141.

[70] 程建, 周越, 蔡念, et al. 基于粒子滤波的红外目标跟踪[J]. 红外与毫米波学报. 2006,25(2):113-116.

[71] Pers J, Sulic V, Kristan M, et al. Histograms of optical flow for efficient representation of body motion[J]. Pattern Recognition Letters, 2010, 31(11): 1369-1376.

[72] Kwon J, Kyoung, Lee M. Visual Tracking Decomposition[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition , 2010: 1269-1276.

[73] Li X H, Zhang T Y, Shen X D, et al. Object tracking using an adaptive Kalman filter combined with mean shift[J]. Optical Engineering,2010, 49(2),https://www.sodocs.net/doc/2c10484692.html,/10.117/1.3327281.

[74] Wei Q, Xiong Z, Li C. Color spatial feature-based approach for multiple-vehicle tracking[J]. Applied Optics,2010, 49(31): 6043-6056.

[75] Yao A B, Wang G J, Lin X G, et al. An incremental bhattacharyya dissimilarity measure for particle filtering[J]. Pattern Recognition,2010, 43(4): 1244-1256.

[76] Sun H Z, Yang H, Tan T N. Multi-level human tracking[J]. Proceedings of Advances in Multimodal Interfaces(Icmi 2000), 2000, 1948: 340-348.

[77] Xie N, Ling H, Hu W, et al. Use bin-ratio information for category and scene classification[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,2010: 2313-2319.

[78] Viola P, Wells W M. Alignment by maximization of mutual information[J]. International Journal of Computer Vision, 1997, 24(2): 137-154.

[79] Liu B, Huang J, Yang L, et al. Robust tracking using local sparse appearance model and

K-selection [C]. Proceedings of IEEE Conference o Computer Vision and Pattern Recognition (CVPR),2011: 1313-1320.

[80] Shih T K, Tang N C, Tsai J C, et al. Video motion interpolation for special effect applications[J]. IEEE Transactions on Systems Man and Cybernetics Part C-Applications and Reviews. 2011, 41(5): 720-732.

[81] Leichter I. Mean shift trackers with cross-bin metrics[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence ,2012,43(4):695-706.

[82] Talu M F, Turkoglu I, Cebeci M. A hybrid tracking method for scaled and oriented objects in crowded scenes[J]. Expert Systems with Applications, 2011, 38(11): 13682-13687.

[83] Liangfu L, Zuren F, Weidong C, et al. A coarse-to-fine kernel matching approach for mean-shift based visual tracking[J]. Opto-Electronics Review, 2009, 17(1): 65-71.

[84] 贾慧星, 章毓晋. 基于梯度方向直方图特征的多核跟踪[J]. 自动化学报, 2009,10: 1283-1289.

[85] Collins R T. Mean-shift blob tracking through scale space [C]. Proceddings of IEEE Conference on Computer Vision and Pattern Recognition,2003: 234-240.

[86] Yilmaz A. Object tracking by asymmetric kernel mean shift with automatic scale and orientation selection[C]. Proceddings of IEEE Conference on Computer Vision and Pattern Recognition, 2007: 1-6.

[87] Fanglinwang S J. Robust and efficient fragments-based tracking using mean shift [J]. AEU - International Journal of Electronics and Communications ,2010: 64, 614-623.

[88] Wang J Q, Yagi Y. Integrating color and shape-texture features for adaptive real-time object tracking[J]. IEEE Transactions on Image Processing, 2008, 17(2): 235-240.

[89] Zhao Q, Yang Z, Tao H. Differential earth mover's distance with its applications to visual tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2010, 32(2):274-287.

[1] A. Adam, E. Rivlin, and I. Shimshoni. Robust Fragments-based Tracking using the Integral Histogram. In CVPR, 2006.

[2] N. Alt, S. Hinterstoisser, and N. Navab. Rapid Selection of Reliable Templates for Visual Tracking. In CVPR, 2010.

[3] S. Avidan. Support Vector Tracking. PAMI, 26(8):1064–1072, 2004.

[4] S. Avidan. Ensemble Tracking. PAMI, 29(2):261–271, 2008.

[5] B. Babenko, M.-H. Yang, and S. Belongie. Visual Tracking with Online Multiple Instance Learning. In CVPR, 2009.

[6] B. Babenko, M.-H. Yang, and S. Belongie. Robust Object Tracking with Online Multiple Instance Learning. PAMI, 33(7):1619–1632,2011.

[7] Y. Bai and M. Tang. Robust Tracking via Weakly Supervised Ranking SVM. In CVPR, 2012.

[8] S. Baker and I. Matthews. Lucas-Kanade 20 Years On: A Unifying Framework. IJCV, 56(3):221–255, 2004.

[9] S. Baker, S. Roth, D. Scharstein, M. J. Black, J. Lewis, and R. Szeliski. A Database and Evaluation Methodology for Optical Flow. InICCV, 2007.

[10] C. Bao, Y. Wu, H. Ling, and H. Ji. Real Time Robust L1 Tracker Using Accelerated Proximal Gradient Approach. In CVPR, 2012.

[11] M. J. Black. EigenTracking: Robust Matching and Tracking of Articulated Objects Using a View-Based Representation. IJCV, 26(1):63–84, 1998.

[12] K. Cannons. A Review of Visual Tracking. Technical Report CSE-2008-07, York University, Canada, 2008.

[13] R. Collins, X. Zhou, and S. K. Teh. An Open Source Tracking Testbed and Evaluation Web Site. In PETS, 2005.

[14] R. T. Collins. Mean-shift Blob Tracking through Scale Space. In CVPR, 2003.

[15] R. T. Collins, Y. Liu, and M. Leordeanu. Online Selection of Discriminative Tracking Features. PAMI, 27(10):1631–1643, 2005.

[16] D. Comaniciu, V. Ramesh, and P. Meer. Kernel-Based Object Tracking. PAMI, 25(5):564–577, 2003.

[17] N. Dalal and B. Triggs. Histograms of Oriented Gradients for Human Detection. In CVPR, 2005.

[18] T. B. Dinh, N. Vo, and G. Medioni. Context Tracker: Exploring Supporters and Distracters in Unconstrained Environments. In CVPR,2011.

[19] J. Fan, X. Shen, and Y. Wu. Scribble Tracker: A Matting-based Approach for Robust Tracking. PAMI, 34(8):1633–1644, 2012.

[20] J. Fan, Y. Wu, and S. Dai. Discriminative Spatial Attention for Robust Tracking. In ECCV, 2010.

[21] R. B. Fisher. The PETS04 Surveillance Ground-Truth Data Sets. In PETS, 2004.

[22] H. Grabner, M. Grabner, and H. Bischof. Real-Time Tracking via On-line Boosting. In BMVC, 2006.

[23] H. Grabner, C. Leistner, and H. Bischof. Semi-supervised On-Line Boosting for Robust Tracking. In ECCV, 2008.

[24] H. Grabner, J. Matas, L. V. Gool, and P. Cattin. Tracking the Invisible: Learning Where the Object Might be. In CVPR, 2010.

[25] G. D. Hager and P. N. Belhumeur. Efficient Region Tracking With Parametric Models of Geometry and Illumination. PAMI, 20(10):1025–1039, 1998.

[26] S. Hare, A. Saffari, and P. H. S. Torr. Struck: Structured Output Tracking with Kernels. In ICCV, 2011.

[27] J. F. Henriques, R. Caseiro, P. Martins, and J. Batista. Exploiting the Circulant Structure of Tracking-by-Detection with Kernels. In ECCV, 2012.

[28] M. Isard and A. Blake. CONDENSATION–Conditional Density Propagation for Visual Tracking. IJCV, 29(1):5–28, 1998.

[29] A. D. Jepson, D. J. Fleet, and T. F. El-Maraghi. Robust Online Appearance Models for Visual Tracking. PAMI, 25(10):1296–1311,2003.

[30] X. Jia, H. Lu, and M.-H. Yang. Visual Tracking via Adaptive Structural Local Sparse Appearance Model. In CVPR, 2012.

[31] Z. Kalal, J. Matas, and K. Mikolajczyk. P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints. In CVPR, 2010.

[32] J. Kwon and K. M. Lee. Tracking of a Non-Rigid Object via Patchbased Dynamic Appearance Modeling and Adaptive Basin Hopping Monte Carlo Sampling. In CVPR, 2009.

[33] J. Kwon and K. M. Lee. Visual Tracking Decomposition. In CVPR, 2010.

[34] J. Kwon and K. M. Lee. Tracking by Sampling Trackers. In ICCV, 2011.

[35] X. Li, W. Hu, C. Shen, Z. Zhang, A. Dick, and A. Hengel. A Survey of Appearance Models in Visual Object Tracking. TIST, 2013 inpress

[36] B. Liu, J. Huang, L. Yang, and C. Kulikowsk. Robust Tracking using Local Sparse Appearance Model and K-Selection. In CVPR, 2011.

[37] B. D. Lucas and T. Kanade. An Iterative Image Registration Technique with An Application to Stereo Vision. In IJCAI, 1981.

[38] D. R. Martin, C. C. Fowlkes, and J. Malik. Learning to Detect Natural Image Boundaries Using Local Brightness, Color, and Texture Cues. PAMI, 26(5):530–49, 2004.

[39] I. Matthews, T. Ishikawa, and S. Baker. The Template Update Problem. PAMI, 26(6):810–815, 2004.

[40] X. Mei and H. Ling. Robust Visual Tracking using L1 Minimization. In ICCV, 2009.

[41] X. Mei, H. Ling, Y. Wu, E. Blasch, and L. Bai. Minimum Error Bounded Efficient L1 Tracker with Occlusion Detection. In CVPR,2011.

[42] X. Mei, H. Ling, Y. Wu, E. Blasch, and L. Bai. Efficient Minimum Error Bounded Particle Resampling L1 Tracker with Occlusion Detection. TIP, 2013, in press.

[43] S. Oron, A. Bar-Hillel, D. Levi, and S. Avidan. Locally Orderless Tracking. In CVPR, 2012.

[44] P. P′ erez, C. Hue, J. Vermaak, and M. Gangnet. Color-Based Probabilistic Tracking. In ECCV, 2002.

[45] P. Phillips, H. Moon, S. Rizvi, and P. Rauss. The FERET Evaluation Methodology for Face-Recognition Algorithms. PAMI,22(10):1090–1104, 2000.

[46] F. Porikli, O. Tuzel, and P. Meer. Covariance Tracking using Model Update based on Lie Algebra. In CVPR, 2006.

[47] D. Ross, J. Lim, R.-S. Lin, and M.-H. Yang. Incremental Learning for Robust Visual Tracking. IJCV, 77(1):125–141, 2008.

[48] J. Santner, C. Leistner, A. Saffari, T. Pock, and H. Bischof. PROST:Parallel Robust Online Simple Tracking. In CVPR, 2010.

[49] L. Sevilla-Lara and E. Learned-Miller. Distribution Fields for Tracking. In CVPR, 2012.

[50] S. Stalder, H. Grabner, and L. van Gool. Beyond Semi-Supervised Tracking: Tracking Should Be as Simple as Detection, but not Simpler than Recognition. In ICCV Workshop, 2009.

[51] B. Stenger, T. Woodley, and R. Cipolla. Learning to Track with Multiple Observers. In CVPR, 2009.

[52] F. Tang, S. Brennan, Q. Zhao, and H. Tao. Co-Tracking Using SemiSupervised Support Vector Machines. In CVPR, 2007.

[53] O. Tuzel, F. Porikli, and P. Meer. Region Covariance: A Fast Descriptor for Detection and Classification. In ECCV, 2006.

[54] P. Viola and M. J. Jones. Robust Real-Time Face Detection. IJCV,57(2):137–154, 2004.

[55] D. Wang, H. Lu, and M.-H. Yang. Online Object Tracking with Sparse Prototypes. TIP, 22(1):314–325, 2013.

[56] Y. Wu, J. Cheng, J. Wang, H. Lu, J. Wang, H. Ling, E. Blasch, and L. Bai. Real-time Probabilistic Covariance Tracking with Efficient Model Update. TIP, 21(5):2824–2837, 2012.

[57] Y. Wu, H. Ling, J. Yu, F. Li, X. Mei, and E. Cheng. Blurred Target Tracking by Blur-driven Tracker. In ICCV, 2011.

[58] Y. Wu, B. Shen, and H. Ling. Online Robust Image Alignment via Iterative Convex Optimization. In CVPR, 2012.

[59] M. Yang, Y. Wu, and G. Hua. Context-Aware Visual Tracking. PAMI, 31(7):1195–1209, 2008.

[60] A. Yilmaz, O. Javed, and M. Shah. Object Tracking: A Survey. ACM Computing Surveys, 38(4):1–45, 2006.

[61] J. H. Yoon, D. Y. Kim, and K.-J. Yoon. Visual Tracking via Adaptive Tracker Selection with Multiple Features. In ECCV, 2012.

[62] L. Yuan, A. Haizhou, T. Yamashita, L. Shihong, and M. Kawade. Tracking in Low Frame Rate Video: A Cascade Particle Filter with Discriminative Observers of Different Life Spans. PAMI, 30(10):1728–1740, 2008.

[63] K. Zhang, L. Zhang, and M.-H. Yang. Real-time Compressive Tracking. In ECCV, 2012.

[64] T. Zhang, B. Ghanem, S. Liu, and N. Ahuja. Robust Visual Tracking via Multi-task Sparse Learning. In CVPR, 2012.

[65] W. Zhong, H. Lu, and M.-H. Yang. Robust Object Tracking via Sparsity-based Collaborative Model. In CVPR, 2012.

这种算法的优点在于当目标未被遮挡时，跟踪精度非常高，跟踪非常稳定，但其缺点首先是费时，当搜索区域较大时情况尤其严重。其次，算法要求目标变形不大，且不能有太大遮挡，否则相关精度下降会造成目标的丢失。

可以精确地分析目标的三维运动轨迹，即使在运动目标姿态变化的情况下，也能够可靠地跟踪。但是其缺点在于，运动分析的精度取决于几何模型的精度，在现实生活中要获得所有运动目标的精确几何模型是非常困难的，这就限制了基于模型的跟踪算法的使用。同时,

基于模型的跟踪算法往往需要大量的运算时间,很难实现实时的运动目标跟踪

这种算法的优点在于即使目标的某一部分被遮挡,只要还有一部分特征可以被看到,就可以完成跟踪任务,另外,这种方法与卡尔曼滤波器联合使用,也具有很好的跟踪效果这种算法的难点是对某个运动目标,如何确定它的唯一特征集这也是一个模式识别问题，若采用特征过多, 系统效率将降低且容易产生错误。

, [51+ S. Nadimi and B. Bhanu, “Physical models for moving shadow and object detection in video,”

IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI), vol. 26, pp.

1079-1087, 2004.

[52] A. Yoneyama, C. H. Yeh, and C-C.J. Kuo, “Moving cast shadow elimination for robust vehicle extraction based on 2D joint vehicle/shadow models,” in Proceedings of IEEE International Conference on Advanced Video and Signal Based Surveillance, pp. 229-236, 2003.

[53+ A. Leone, C. Distante, and F. Buccolieri, “A shadow elimination approach in video-surveillance context,” Pattern Recognition L etters, vol. 27, no. 5, Apr. 2006, pp. 345-355.

[54] N. Martel-Brisson and A. Zaccarin, “Moving cast shadow detection from a Gaussian mixture shadow model,” in Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR), vol. 2, pp. 643-648, 2005.

[55] 吴刚, 唐振民, 程勇, et al. 灰度共生矩阵纹理特征的运动目标跟踪方法[J]. 南京理工大学学报(自然科学版), 2010(04):459-463.

[56] Laws K. Textured image segmentation [D]. University of Southern California, 1980.

[57] Lu H, Wang D, Zhang R, et al. Video object pursuit by tri-tracker with on-line learning from positive and negative candidates[J]. IET Image Processing, 2011, 5(1): 101-111.

[58] Ahonen T, Hadid A, Pietikainen M. Face description with local binary patterns: Application

to face recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence.,2006, 28(12): 2037-2041.

[59] Lu H C, Fang G L, Wang C, et al. A novel method for gaze tracking by local pattern model and support vector regressor[J]. Signal Processing,2010, 90(4): 1290-1299.

[60] De Van Der Merwe R. D A F N. The unscented particle filter [R]. Techical report CUED/F-INFENG/TR 380 Cambridge University Engineering Department,2000.

[61] Sun L, Liu G Z. Visual object tracking based on combination of local description and global representation[J]. Proceedings of IEEE Transactions on Circuits and Systems For Video Technology, 2011, 21(4): 408-420.

[62] 尹宏鹏, 柴毅, 匡金骏, et al. 一种基于多特征自适应融合的运动目标跟踪算法[J]. 光电子.激光, 2010,(06):917-923.

[63] Leichter I, Lindenbaum M, Rivlin E. Mean shift tracking with multiple reference color histograms[J]. Computer Vision and Image Understanding, 2010, 114(3): 400-408.

[64] 韩松, 张晓林, 陈雷, et al. 基于改进高斯粒子滤波器的目标跟踪算法[J]. 系统工程与

电子技术, 2010,(06):1191-1194.

[65] 蒋蔚, 伊国兴, 曾庆双. 基于SVM 数据融合的实时粒子滤波算法[J]. 系统工程与电子技术, 2010(06):1334-1338.

[66] Yin H P, Chai Y, Yang S X, et al. Fast-moving target tracking based on mean shift and

frame-difference methods[J]. Journal of Systems Engineering and Electronics, 2011, 22(4):

587-592.

[67] Wang H Z, Suter D, Schindler K, et al. Adaptive object tracking based on an effective appearance filter[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007,

29(9): 1661-1667.

[68] 王欢任杨. 一种基于SMOG 模型的红外目标跟踪新算法[J]. 红外与毫米波学报,2008, 27(4): 252-256.

[69] Ross D A, Lim J, Lin R S, et al. Incremental learning for robust visual tracking[J]. International Journal of Computer Vision, 2008, 77(1-3): 125-141.

[70] 程建, 周越, 蔡念, et al. 基于粒子滤波的红外目标跟踪[J]. 红外与毫米波学报.

2006,25(2):113-116.

国内外大数据产业发展现状与趋势研究

龙源期刊网 https://www.sodocs.net/doc/2c10484692.html, 国内外大数据产业发展现状与趋势研究 作者：方申国谢楠 来源：《信息化建设》2017年第06期 大数据作为新财富，价值堪比石油。 进入21世纪以来，随着物联网、电子商务、社会化网络的快速发展，数据体量迎来了爆炸式的增长，大数据正在成为世界上最重要的土壤和基础。根据IDC（互联网数据中心）预测，2020年的数据增长量将是2010年的44倍，达到35ZB。世界经济论坛报告称，“大数据为新财富，价值堪比石油”。随着计算机及其存储设备、互联网、云计算等技术的发展，大数据应用领域随之不断丰富。大数据产业将依赖快速聚集的社会资源，在数据和应用驱动的创新下，不断丰富商业模式，构建出多层多样的市场格局，成为引领信息技术产业发展的核心引擎、推动社会进步的重要力量。 大数据产业发展现状 全球大数据产业发展概况 目前，大数据以爆炸式的发展速度迅速蔓延至各行各业。随着各国抢抓战略布局，不断加大扶持力度，全球大数据市场规模保持了高速增长态势。据IDC预测，全球大数据市场规模 年增长率达40%，在2017年将达到530亿美元。美国奥巴马政府于2012年3月宣布投资2亿美元启动“大数据研究和发展计划”，将“大数据研究”上升为国家意志；2015年发布“大数据研究和发展计划”，深入推动大数据技术研发，同时还鼓励产业、大学和研究机构、非盈利机构与政府一起努力，共享大数据提供的机遇。目前，美国大数据产业增长率已超过71%，大数据在美国健康医疗、公共管理、零售业、制造业等领域产生了巨大的经济效益。英国政府自2013年开始就注重对大数据技术的研发投入，2015年投入7300万英镑用于55个政府的大数据应用项目，投资兴办大数据研究中心，通过大数据技术在公开平台上发布了各层级数据资源，直接或间接为英国增加了近490亿至660亿英镑的收入，并预测到2017年，大数据技术可以为英国提供5.8万个新的工作岗位，或将带来2160亿英镑的经济增长。法国2011年推出了公开的数据平台 date.gouv.fr，以便于公民自由查询和下载公共数据；2013年相继发布《数字化路线图》、《法国政府大数据五项支持计划》等，通过为大数据设立原始扶持资金，推动交通、医疗卫生等纵向行业设立大数据旗舰项目，为大数据应用建立良好的生态环境，并积极建设大数据初创企业孵化器。日本在《日本再兴战略》中提出开放数据，将实施数据开放、大数据技术开发与运用作为2013-2020年的重要国家战略之一，积极推动日本政务大数据开放及产业大数据的发展，零售业、道路交通基建、互联网及电信业等行业的大数据应用取得显著效果。韩国政府高度重视大数据发展，科学、通信和未来规划部与国家信息社会局（NIA）共建大数据中心，大力推动全国大数据产业发展。根据《2015韩国数据行业白皮书》统计显示， 数据服务市场规模占韩国总行业市场规模的47%，位列第一；数据库构建服务以41.8%的占有

本课题国内外研究现状分析

. Word资料●本课题国外研究现状分析 教育科研立项课题如何申报与论证博白县教育局教研室朱汝洪发布时间： 2009 年 4 月 2 日19 时24 分一、课题申报的基本步骤第一步： 阅读各级课题申报通知，明确通知的要求；第二步： 学习研究课题管理方面的文件材料；第三步： 学习研究《课题指南》，确定要申报的课题（可以直接选用《课题指南》中的课题，也可以自己确定课题）；第四步：组织课题组，认真阅读关于填表说明的文字，研究清楚课题《申请评审书》各个栏目的填写要求；第五步： 根据《申请评审书》各栏目的要求分工查找材料和论证；第六步： 填写《申请评审书》草表；第七步： 研究确定后，填写《申请评审书》正式表（一律要求打印）；第八步： 按要求复印份数；第九步： 按要求签署意见、加盖公章；第十步： 填写好《课题申报材料目录表》；第十一步： 按时将《申请评审书》《课题申报材料目录表》和评审费送交县教研室科研组转送市教科所（也可以直接送市教科报，但必须报县教研室备案）。

二、教育科研课题的选题1、课题的选题方法。 一是从上级颁发的课题指南中选定；二是结合学校的实际对课题指南中的课题作修改；三是完全从学校的实际出发确定课题。 2、课题的选题要依据的原则。 一是符合法规和政策；二是切合当地和学校实际；三是适合教师的水平和能力；四是切中当前教改热点。 3、课题名称的规表述。 ①研究，如小学生学习兴趣培养的研究。 ②实践与研究，如高中学生探究性学习的实践与研究。 ③应用研究，如合作学习理论在初中语文教学中的应用研究。 ④实验与研究，如杜郎口模式的实验与研究。 ⑤探索与研究，如农村寄宿制小学学生管理的探索与研究。 三、立项课题的论证例说（以2009 版市课题申报表的要求为准）1、课题论证的含义。 课题论证，也叫论证与设计、设计与论证，是对所要申报的课题的选题依据、研究目标、研究容、研究重点、研究难点、研究思路、研究步骤、研究条件等进行的阐述与设计。 2、课题论证的包括的容。 不同级别的课题申报表（课题申请、评审书）要求有所不同，但基本上包括两大方面的容： 一是关于本研究课题的论证，二是关于对课题实施的论证。 3、课题论证例说。

综述的开题报告

开题报告及文献综述内容和要求 一、本科毕业设计（论文）开题报告的基本要求 1 本科毕业设计（论文）开题报告的功能 开题报告是在学生接到教师下达毕业设计（论文）任务书后，由学生撰写的对于课题准备情况以及进度计划作出概括反映的一种表格式文书。毕业设计（论文）开题报告应在导师指导下由学生撰写，经指导老师签署意见及学院审定后生效。 撰写开题报告是一项重要的科学研究活动。有资料反映，美国科学家每年要用两个月时间组织和撰写开题报告，以便获得各方面对课题的资金支持。我国科学研究工作者的科研申请报告，也往往具有开题报告的性质。 毕业设计（论文）开题报告对课题的顺利开展十分重要。撰写开题报告的目的，是要让指导老师了解：自己为什么要选这个题目，选题的意义何在，自己做这个题目的优势是什么，自己准备怎么做，会出什么结果，等等。并请指导老师帮学生作出如下判断：课题所确定的问题有没有研究价值，题目的大小是否合适，所选择的研究途径与方法是否可行等。指导教师可以根据开题报告的内容及时作出判断，此课题能否这样实施，要不要改变题目或研究方法；学生则可以在得到批准后按开题报告的安排来开展工作。 2本科毕业设计（论文）开题报告的内容和要求 毕业设计（论文）开题报告的结构包括（1）选题的背景和意义，（2）研究的基本内容和拟解决的主要问题，（3）研究方法及措施，（4）研究工作的步骤与进度，（5）主要参考文献等项目。下面对有关项目作一些说明： （1）选题的背景和意义 主要说明所选课题的历史背景、国内外研究现状和发展趋势。历史背景部分着重说明本课题前人研究过，研究成果如何。国内外研究现状部分说明本课题目前在国内外研究状况，介绍各种观点，比较各种观点的异同，着重说明本课题目前存在的争论焦点，同时说明自己的观点。发展趋势部分说明本课题目前国内外研究已经达到什么水平，还存在什么问题以及发展趋势等，指明研究方向，提出可以解决的方法。开题报告写这些内容一方面可以论证本课题研究的地位和价值，即选题的意义，包括对选题的理论意义和现实意义的说明；另一方面也可以说明开题报告撰写者对本课题研究是否有较好的把握。 （2）研究的基本内容和拟解决的主要问题 相对于选题的意义而言，研究的基本内容与拟解决的主要问题是比较具体的。毕业设计（论文）选题想说明什么主要问题，结论是什么，在开题报告中要作为研究的基本内容给予粗略的，但必须是清楚的介绍。研究基本内容可以分几部分介绍。 （3）研究方法及措施 选题不同，研究方法则往往不同。研究方法是否正确，会影响到毕业设计（论文）的水平，甚至成败。在开题报告中，学生要说明自己准备采用什么样的研究方法。比如调查研究中的抽样法、问卷法，论文论证中的实证分析法、比较分析法等。写明研究方法及措施，是要争取在这些方面得到指导老师的指导或建议。 （4）研究工作的步骤、进度。课题研究工作的步骤和进度也就是课题研究在时间和顺序上的安排。毕业设计（论文）创作过程中，材料的收集、初稿的写作、论文的修改等，都要分阶段进行，每个阶段从什么时间开始，到什么时间结束都要有规定。在时间安排上，要充分考虑各个阶段研究内容的相互关系和难易程度。对于指导教师在任务书中规定的时间安排，学生应在开题报告中给予呼应，并最后得到批准。学生在实际操作中，时间安排一般应提前一点，千万别前松后紧，也不能虎头蛇尾，完不成毕业设计（论文）的撰写任务。 (5) 主要参考文献。在开题报告中，同样需列出参考文献，这在实际上是介绍了自己的准备情况，表明自己已了解所选课题相关的资料源，证明选题是有理论依据的。在所列的参

国内外研究现状范例

2、国内外研究现状： 针对孔壁和管道间的环状空间中的混合泥浆，国内外学者采取了现场检测、室内模型实验、数值模拟等手段研究它的物理力学性质变化规律。 在先导孔钻进和扩孔过程中，泥浆压力高达1~2MPa，相当于l00~200 m高的水头压力[4]，当泥浆压力过大时将强烈破坏周围地层，为研究合适的泥浆压力，刘杰[5]研究了泥浆在地层中的作用机理，揭示了泥浆在地层中的渗流规律。余剑平等人[3]分析了定向钻穿越冲湖积土层时的泥浆溢出现象，通过钻孔观察得出渗透泥浆呈“土、丰”字型分布，扩散半径约为管径的2~3倍，渗透泥浆层的厚度一般约2~3mm。赵明华等人[6]分析了HDD穿越监利洪湖大堤引起堤脚冒浆的原因，认为冒浆与上覆土体的厚度、粘性，钻压、钻井液粘度等参数有关。晁东辉[7]采用了有限元数值方法模拟水平定向钻孔施工的过程，研究了施工过程中泥浆对孔壁的影响。关立志[8]认为管道与孔壁之间的空洞经过一段时间会引起上履土体下沉、堤防塌陷等灾害。宋新江等人[2]根据《土坝坝体灌浆技术规范》中规定的地层最大容许灌浆压力分析了河堤发生塌陷的可能原因：①当孔道四周泥浆压力消散，引起孔内过量坍塌，是地面形成裂缝和塌陷的一个主要原因。②当管道穿过的砂层为粉砂、粉细砂、细砂或中砂，受扰动后强度降低易塌落。③泥浆压力消散或大量减小后便会产生沉淀，同时在管道四周的环空间隙中泥浆与土的混合物会产生固结变形，这种固结作用会引起土体下陷。王建钧[9]分析了环空周围土体在应力重分布作用下发生塑性挤出、膨胀内鼓、塑流涌出和重力坍塌的原因，并根据Mohr-Coulomb破坏准则给出了孔壁失稳破坏的理论公式。 针对环空混合泥浆的力学性质研究，Knight, M.等人[10]铺设了一条直径为200mm的HDPE管道两年后开挖观察,发现环状空间并未形成空洞，表明环空泥浆与土体发生了相互作用。美国的Samuel T. Ariaratnam等人[11]分别在粘土和砂层中进行水平定向钻进管道铺设试验，分别铺设了直径为100mm、200mm及300mm 的HDPE管各两根，分别在一天、一个星期、两个星期、四个星期以及一年以后对管道进行开挖检查，观察环状空间中土体含水量的变化、固结状况并进行土体强度测试，得出环空混合泥浆含水量逐渐降低、强度增加。李俊[12]认为HDD 铺管后残留孔洞会发生由应力重分布引起的沉降和固结沉降，分别给出了计算公式，由于HDD施工，钻孔周围一部分土体扰动进入塑性状态，形成一个软弱带，在地下水作用下发生管涌。朱乃榕[13]从渗流角度研究了西气东输管道穿越工程对河堤的稳定性影响。他假设管道周围土体的渗透系数比河堤其他土体的渗透系数大二个数量级，分析堤防处于最高洪水位与低水位两种危险情况下的堤防渗流稳定性。并采用二维和三维有限元数值模拟技术进行渗流计算。得出输气管道的穿越对于堤防的抗滑稳定性影响也比较小，但有可能沿管壁周围形成渗流通道，在管道穿越出土点附近发生管涌破坏。但研究的输气管道直径只有710mm，远小于西气东输工程二期所采用的直径1219mm的管道，所以不能断定如此大直径的管道穿越是否会对河堤造成更大的危害。 国内外学者采用了多种方法、设备研究环空混合泥浆的力学性质，Ariaratnam[14]收集了美国各地的土样进行室内模拟试验，先测试泥浆的流变特性，然后在泥浆中加入各种土样，进行混合物的流变特性测试。Tubb[15]介绍了Mears/HDD LLC公司采用孔内压力测试设备可

一、本课题研究的理论和实际应用价值,目前国内外研究的现...

一、本课题研究的理论和实际应用价值，目前国内外研究的现状和趋势（限 2 页，不能加页） （一）理论价值 （ 1）自译活动是一个特殊而显著的翻译现象。由于学术体制与政策的原因，中外翻译史的研 究通常只关注单语作家和译他译者，而且自译本身的相关概念很难做出科学界定，所以在很长一段时期以来自译没有引起翻译理论界应有的重视。通过对自译理论基础、本质特性、运作机制、标准 策略等分析研究，有利于人们认识和关注自译活动，确立自译研究的学术地位，从而推进自译理论 与实践研究，进一步丰富和发展翻译理论。 （2）研究文学自译现状，探究文学自译的产生和发展，有利于廓清自译的概念和内涵。借助 对自译作家及其作品的分析研究，并通过梳理自译理论，旨在分析出自译这种翻译方式存在的特殊性， 以及发现其对翻译研究的理论价值和启示，并希望能指导翻译实践，揭示文学自译在翻译研究 中的实际价值和理论意义。 （3）译者的创作与翻译思想决定着翻译的过程。自译作家的创作与翻译思想在其自译作品中 有着明显体现。自译作家的创作在语汇、句式、节奏等语言形式上对翻译有促进。其创作为翻译提 供了丰富的语汇，特别是在翻译中遇到难以解决的问题时，以前的创作可以为其带来灵感。 （4）自译者的翻译与创作相互影响，相互调和。主要表现为译中有作、亦译亦作和作中有译 等三种情况。由于翻译与创作存有互动，所以译作与创作之间存在巨大相似性。 （二）实际应用价值 （1）研究自译者的自译行为及其自译作品，目的在于分析出自译这种翻译方式存在的特殊性 并揭示其本质属性，不仅能丰富翻译研究内涵，还能揭示自译在翻译理论中的价值和意义。 （2）本项目以文学自译研究为主题，并选取我国著名自译作家林语堂、白先勇、张爱玲、萧 乾等四位自译作家为例，通过考察其个人创作观与翻译观，对比分析其自译作品是如何在各自创作观 与翻译观的引导下得以实现的，试图解释翻译过程即译者是如何进行自译的？自译和译他究竟有何不同？ 进而试图揭示同为“环境性转换语者”的自译家们的自译活动有何“共性”与“个性”。 这对推动文学自译的发展，具有重要的理论意义和学术价值，对翻译理论建设有一定的意义。 （3）在国内翻译领域中，对自译研究较少。通过本项目研究，可以启发更多学者从理论上对 自译这一领域进行更深入的探索和研究。 （三）国内外研究现状和趋势述评 在国外，自译活动历史悠久，国外学者主要在三方面进行了研究： （1）关于自译定义。对自译下过定义的主要有 Grutman（ 2004）、Popovic（ 1976）、Whyte（ 2002）等学者。其中 Grutman 的定义不仅“准确” ，还超出关于自译是否是真正翻译的讨论，深入到自译 更为广泛的层面。他不仅认为自译是“翻译自己作品的行为或者是这样一种行为的结果” ，指出了自译可指翻译过程也可是翻译结果，并暗示自译常常用于文学翻译，还将自译分为即时自译和延时自译两种状态，并强调自译文本的内部互文关系。更具参考价值。 （ 2）双语写作视域的自译理论。西方自译研究一个显著特点是立足双语写作视角，如Fitch （1988）、 Beaujour （ 1995）、 Beatson （ 1999）、 Scheiner （ 2000 ）、 Liberman （ 2005）、 Trzeciak （ 2005）、 Hokenson & Munson （ 2007）等。最值一提，Hokenson & Munson （ 2007）将自译文本和 自译者同时并置于西方中世纪以来的社会和学术发展史中，从自译实践活动描述和自译理论分析两 个角度，详述了西方翻译史上自译现象：①首次清晰梳理了西方自译史并科学划分为中世纪与文艺 复兴时期（ 1100-1600 ）、近代时期（1600-1800 ）和现当代时期（1800-2000 ）等三个发展阶段。 ②对自译与双语写作进行平行研究，认为自译文本的关系可以视作在一个转化性语者的共同带中，以 文化间代表的方式展现了两个文本间的策略性关系。如果把自然双语者称为自然性双语习得者，那么 自译者则可称作策略性双语习得者。这一视角为双语和自译研究提供了新思路。③从“作者中

国内外研究现状总结

1、研究意义： 随着我国国民经济和城市化建设的飞速发展,大型商业综合体在当今商业创新模式的潮流和城市空间有机化、复合化的趋势下应运而生，数量日益增多，体量越来越大。这类公众聚集场所一般具有功能繁多、空间种类丰富、人流量大、火荷载大等特点,一旦发生火灾,容易导致重、特大人员伤亡和直接经济损失。近年来大型商业建筑火灾造成的人员伤亡事件屡有发生。国外的发展经验表明,当一个国家的人均GDP达到1000-3000美元时,社会将会处于一个灾难事故多发阶段,这表明我国当前及今后较长的一个时期,火灾安全形势依然十分严峻。 飞速发展的大型商业建筑，使用功能日趋复杂、集约，这给大型商业综合体的安全疏散设计带来了十分严峻的挑战。安全疏散，就是在发生火灾时，在允许的疏散时间范围中，使遭受火灾危害的人或贵重物资在楼内火灾未危及其安全之前，借助于各种疏散设施，有组织、安全、准确、迅速地撤离到安全区域。 大型综合性商业建筑的使用功能高度集中，现行规范都无法对其建筑形态和业态分布做出明确的规定,基于以往经验及科研成果制订出来的建筑防火设计规范难以适应新的需要，实践中经常遇到大量现行规范适应范围无法涵盖或规范条文无法适应建筑物设计形式的尴尬局面。现代大型商业综合体建筑的设计往往突破了现行规范,因此在一些经济发达的地区,也将性能化的防火设计理念引入到了设计之中,它已成为未来防火设计发展的趋势。 商业街建筑由于其独特性,有关消防设计也有别于一般的商业建筑。比如,商业街是否作为一个整体建筑考虑其消安全疏散设计,是否应限制商业街建筑的层数,长度和宽度,步行街是否考虑作为人员疏散安全区域及其条件等等这些问题都有待于进一步的调研及深入分析。 同时，由于这类建筑火灾危险性特别大，人员密度大，疏散困难等原因，研究大型商业建筑火灾下人员疏散的安全性，以最大限度的防止火灾发生和减少火灾造成的损失，就具有十分重要的意义。由于我国火灾基础研究的滞后在制定国家消防技术规范时存在一些弊端和不合理之处。这些弊端给复杂的商业建筑空间设计带来很多的局限性，因此要使大型商业建筑有效的快速发展这就需要我们找到新的途径和新的思路来保障建筑的安全疏散。 大型商业综合体的人员安全疏散设计应该综合相关多方因素全面考虑。处方式建筑防火安全疏散设计理念适应不了现代建筑的发展趋势，我们需要借鉴心理学等理论，研究发生火灾后，大型商场内人员在这样的环境中的空间认知能力和行为模式；从空间组织设计的角度出发，结合建筑性能化防火设计的理论全面的进行防火安全疏散设计的研究。这有助于科学合理的进行大型商场的建筑防火设计，当灾害来临时为人们提供一个可靠的安全疏散系统，同时又利于人们充分的使用空间的目标；同时，该课题的研究为促进大型商场发展作出努力，使得大型建筑在城市发展的新形式下可持续的发展。 大型商业综合体中防火分区面积往往超出了规范中对防火分区面积的限制,疏散出口的数量以及布置方式等问题随之产生，这些问题都有待进一步深入研究。本文从大型商业综合体的自身特性入手，运用建筑学、消防安全学和行为心理学等领域的相关知识，对火灾下大型商业综合体内人员疏散的安全性能进行了研究和分析，总结出大型商业综合体人员安全疏散的难点和重点问题，最后针对这些问题提出了一些优化策略和方法，并分析了应用部分方法的实际工程案例。为大型商业综合体的人员安全疏散设计提供参考。 2、国内外研究现状： （1）国外研究现状 国外发达国家对于大型商业综合体的设计，除了能依据本国的规范进行设计的之外,超出规范规定内容的往往利用了性能化的防火设计。欧美发达国家在这项研究中处于领先的地位,已开发出了很多计算及模拟软件。如FDS、SIMULEX和STEPS等等。 上世纪八十年代,己有一些国家颁布了专门的性能化防火设计规范。所以发展至今,已形成了相对完善的体系。国外的设计者在做一些大型的商业建筑时,都会采用性能化的防火设计。1971年,美国的通用事务管理局形成了《建筑火灾安全判据》。20世纪80年代,在美国实施了一个国家级的火灾风险评估项目,其结果形成了FRAMWORKS模型。1988年美国防火

结构可靠性理论的现状与发展

结构可靠性理论的现状与发展 1.引言 工程结构设计的主要目的在于以最经济的途径来满足建筑物的功能要求，而可 靠度是满足这一目的的有效控制参数。可靠度理论是在20世纪40年代开始提出的。最早源于军事需要用来提高电子元件的可靠度。将可靠度理论引入结构工程并加以发展无疑是结构工程学科的重大进展之一，并在许多方面得到成功应用。我国对结构可靠度理论的研究工作开展得较晚。20世纪60年代土木工程界曾广泛开展过结构安全度的研究和讨论；20世纪70年代把半经验半概率的方法用于结构设计规范中，并于1980年提出《结构设计统一标准》，从此，结构可靠度理论的应用才在国内开展。 结构可靠性通常定义为：在规定的使用条件和环境下，在给定的使用寿命期间，结构有效地承受载荷和耐受环境而正常工作的能力。结构可靠性的数t指标通常用概率表示，称为结构可靠度。结构可靠性是一个广义概念，通常包含结构的安全性、适用性和耐久性三个方面。 为保证结构的可靠性，首先要研究建造结构所使用材料的各项力学性能，结构上各种作用的特性，结构的内力分析方法及结构的破坏机理，除此之外，还要做到精心设计，选取合理的结构布置方案和保证结构具有明确的传力路径；精心施工，严格按照施工规程进行操作；正常使用，按设计要求使用结构并进行正常维护。然而，即便如此，也不能保证结构绝对的安全或可靠，这是因为在结构的设计、建造和使用过程中，还存在着种种影响结构可靠性的不确定性。即随机性、模糊性和知识的不完善性，合理、正常的设计、施工和使用只是保证结构具有一定可靠性的前提和基本条件。 自20世纪20年代起，国际上开展了结构可靠性基本理论的研究，并逐步扩展到结构分析和设计的各个方面，包括我国在内，研究成果已应用于结构设计规范，促进了结构设计基本理论的发展。本文将基于大量的研究文献，从结构可靠性分析方法、结构体系可靠度、结构承载能力与正常使用极限状态可靠度、结构疲劳与动力可靠度、钢筋混凝土结构施工期与老化期可靠度五个方面对国内外工程结构可靠度理论和应用的发展现状作概括性地介绍， 2.结构可靠性分析方法 2.1 一次二阶矩法 在实际工程中，占主流的一次二阶矩法应用相当广泛，已成为国际上结构可靠度分析和计算的基本方法。其要点是非正态随机变量的正态变换及非线性功能函数的线性化由于将非线性功能函数作了线性化处理，所以该类方法是一种近似的计算方法，但具有很强的适用性，计算精度能够满足工程需求。均值一次二阶矩法、改进的一次二阶矩法、Jc法、几何法都是以一次二阶矩法为基础的可靠度计算方法。 (1)均值一次二阶矩法。早期结构可靠度分析中，假设线性化点x 0t 就是均值点 m ，而由此得线性化的极限状态方程，在随机变量X t (i=1，2，?，n)统计独立的条 件下，直接获得功能函数z的均值m x 及标准差σ x ，由此再由可靠指标β的定义求取 β= m x／σx。该方法对于非线性功能函数，因略去二阶及更高阶项，误差将随着线

本课题国内外研究现状述评word版本

本课题国内外研究现 状述评

一．本课题国内外研究现状述评，选题意义，研究价值 1.本课题国内外研究现状述评 纵观目前国内外本课题研究现状存在三多三少的现象：一是研究信息化教学的多，研究班级管理信息化的少；二是研究高校班级管理信息化的多，研究中小学班级管理信息化的少；三是研究城镇中小学班级管理信息化的多，研究农村中小学班级管理信息化的少。这种现状不利于相对薄弱的农村中小学班级管理的加强，不利于素质教育的实施，这对于广大农村中小学生来说也是不公平的，这不利于教育公平的实施，要想更进一步地把素质教育落到实处，更好地实现教育公平，促进农村中小学生的全面发展，就必须开展本课题研究，加强农村中小学的班级管理。 2.选题意义： 本课题填补了国内外研究的空白，贯彻落实了马列主义全面发展的观点和以人为本全面协调可持续的科学发展观，关注了师资力量教育质量相对薄弱的农村中小学，关注了处于弱势的农村中小学生，体现了社会的公平正义，这有利于教育公平的实现。正像农民不富农村不活一样，如果农村广大的中小学不用现代科学技术武装起来，那么它将永远薄弱，教育公平永难实现，素质教育仍将是一句空话。因而本课题的研究和推广有利于城乡教育的均衡发展，有利于教育公平的实现，有利于农村中小学生的全面发展，有利于素质教育方针的贯彻落实。因而有着重大的理论意义和现实意义。 3．研究价值 本课题的的研究和推广，用现代化的科学技术武装了相对薄弱的农村中小学班主任，为农村中小学的班级管理提供了现代化的科技平台，这将大大提高农

村中小学班级管理的效率和效果，有利于农村中小学生的全面发展、有利于农村中小学素质教育的实施和教育公平的实现。因而有着重大的研究价值。二．研究目标研究内容主要观点创新之处 1.研究目标 ①通过本课题研究把信息技术引入和推广到农村中小学的班级管理之中。 ②提高农村中小学班级管理的质量和效率。 ③改善农村中小学班级管理薄弱的现状。 ④促进教育的公平。 ⑤促进农村中小学素质教育的实施。 2.研究的内容 ①农村中小学班级管理中信息化的程度。 ②农村中小学班级管理中信息化现状的原因 ③农村中小学班级管理信息化的内容。 ④农村中小学班级管理信息化的途径。 ⑤农村中小学班级管理信息化的方法。 ⑥农村中小学班级管理信息化推广。 3.主要观点 ①目前农村中小学班级管理信息化程度偏低。 ②农村中小学班级管理信息化的实现有利于班级管理质量和管理效率的提高。 ③农村中小学班级管理信息化的实现有利于素质教育的实施。 ④农村中小学班级管理信息化的实现有利于教育公平的实现。 4.创新之处

国内外研究现状分析及评价1

国内外研究现状分析及评价 供给侧结构性改革无疑是今年全国两会的热词，而作为经济运行的“血液”，金融业在推动供给侧结构性改革方面扮演着重要角色，尤其是中国互联网金融业自诞生之日起就努力为众多小微企业和个人的创新创业活动提供普惠金融服务。而农业自古以来就是中国国民经济的基础，为了实现我国经济腾飞及综合实力的提高。我国一直在探索农业发展的道路，现在的中国农业在社会、经济和生态等和各个方面都取得了巨大成就。但在农业科技、经济和各个方面存在问题，严重制约着农业的发展。我国农业的发展必须确定明确的目标，选择适合我国实情的农业发展模式，最终实现农业现代化，那么如何让蓬勃发展的互联网金融运用到农业供给侧改革，从而推动农业提速发展成为了学者们研究的课题。目前，我国著名学者李宏畅与袁娟率先提出来互联网金融与农业相结合的发展的几种模式。（一）农业智能模式 当前在很多先进农场里，奶牛的耳朵上都会有一颗非常精致、特别的“耳钉”，即奶牛的电子耳标，这个“耳钉”里蕴藏着这头奶牛区别于其他奶牛的信息。散养在农场里的奶牛，当它悠闲的进入挤奶大厅时，它身上的所有信息就会被感应器所感应，然后被计算机扫描，进入电脑，信息包括它的所有信息：出生日期、最后一次挤奶日期、交配时间等等，所有信息都一目了然，这些都突出体现出了农业智能模式的优越性。 （二）电商模式 淘宝之所以成功，最主要的原因就是其站在了顾客的角度去思考问题，把顾客所需要的东西当作了自己所需要的东西，将市场划分到最小化，将产品包装减到最轻，而且注重产品特色、模式和内容，把简单的“B2C”模式转化为“B2C2B”，并不断改进产品品质，逐渐实现了电商模式。目前，农村电商逐渐成为巨头们布局的重点。但是由于网络基础设施不健全等各种因素限制，农村市场的电商需求远远未被满足，是一个典型的蓝海市场，含金量十足。然而，农村电商市场要被很好地开发出来还是面临着许多挑战，这也与农村市场的特性紧密相关，农民购物的便利性与网购信任度是农村市场电商发展的主要瓶颈。 （三）产业链模式 一方面农业产业链融资模式改变了以往农村金融服务方式，采用一对一模式，借助农民专业合作社、龙头企业等平台，采用批量作业、降低借贷双方交易成本的

工程结构可靠度理论的研究现状与展望

工程结构可靠度理论的研究现状与展望 刘玉彬 (大连民族学院土木建筑工程学院,辽宁大连　116605) 摘　要:对结构可靠度理论及应用的国内外研究现状进行了概括性总结;简要叙述了可靠度理论在我 国工程结构设计规范的发展中所起的推动作用;提出结构可靠度理论将朝着正常使用极限状态结构的可靠度、结构的疲劳可靠度、结构的模糊可靠度、结构的动力可靠度、结构的体系可靠度等方向进行研究,以期为我国在这方面研究的进一步发展提供参考1 关键词:工程结构;可靠度;研究现状;设计标准;发展趋势中图分类号:T U3文献标识码:A 文章编号:1009-315X (2006)05-0001-03 工程结构可靠度是指结构在规定的时间内, 在规定的条件下,完成预定功能的能力1“规定的时间”,是指分析结构可靠度时考虑各项基本变量与时间关系所取用的时间参数,即设计基准期;“规定的条件”是指结构设计时所确定的正常设计、正常施工和正常使用的条件,即不考虑人为过失的影响;“预定功能”是指以下4种功能:(1)能承受在正常施工和正常使用期间可能出现的各种作用(荷载);(2)在正常使用时,结构及其组成构件具有良好的工作性能;(3)在正常维护下具有足够的耐久性;(4)在发生规定的偶然事件情况下,结构能保持必要的整体稳定性1 1　工程结构可靠度的研究现状 111　在役结构的可靠度评估和维修决策问题 对在役建筑结构的可靠度评估与维修决策已 成为建筑结构学的边缘学科1它不仅涉及结构力学、断裂力学、建筑材料科学、工程地质学等基础理论,而且与施工技术、检测手段和建筑物的 维修使用情况等有着密切的关系[1] 1对已有结构可靠度的评估采用的方法属于“实用分析法”,是在传统经验方法的基础上,结合现代检测手段和计算技术的一种评估方法1目前,对已有结构的可靠度分析方法,是以当时实测的结构材料强度和构件截面尺寸为依据,没有考虑腐蚀环境中 材料性能的变化1如何根据已有结构本身材料性能的实测结果,来推断该结构的抗力随时间的变化而变化的规律,进而计算该结构继续使用期内的可靠度或评估该结构的使用寿命,是已有结构可靠度研究的一项重要内容1 随着使用年限的增长,混凝土的老化问题日益突出1对于耐久性不足或老化的结构,存在一个最佳维修决策的问题1在目前的研究中,有些内容过于理论化,与实际工程问题相差较远1另外,对处于不同环境下建筑物使用寿命的安全性评估问题,在结构设计的工作寿命期如何通过正常使用和必要的维护保证结构应有的可靠度,超过正常使用年限后如何安全地继续服役等都应是可靠度研究的重要方面1 112　腐蚀环境下结构可靠度的分析 对于钢筋混凝土结构,其常见的腐蚀失效模式为:混凝土的碳化作用引起钢筋腐蚀、氯离子侵蚀引起钢筋局部腐蚀、硫酸盐或硫酸溶液对混凝土的腐蚀破坏1对腐蚀环境中混凝土结构的可靠度分析,目前国内外的研究多数集中在氯离子侵蚀环境中钢筋混凝土结构可靠度的变化,对硫酸盐腐蚀地下混凝土结构使混凝土体积膨胀,从而使其瓦解方面的研究还不是很多1在现今的这些研究中,有的并未考虑结构设计参数对混凝土中钢筋腐蚀起始时间和钢筋锈蚀速度的影响,有的虽做了考虑,但并没有考虑二者之间的相关性[2] 1因此,结果不尽合理1 ? 1?收稿日期:2006-06-251 作者简介:刘玉彬(1964-),男,吉林通榆人,大连民族学院土木建筑工程学院教授,博士,学校优秀学科带 头人1研究方向:工程结构广义可靠性理论、工程结构设备理论1 2006年第5期(总第34期)刘玉彬:工程结构可靠度理论的研究现状与展望 9月15日出版

本课题国内外研究现状及发展趋势

本课题国内外研究现状及发展趋势 医用信息系统同其他行业的信息系统相比具有其明显的特殊性，医用信息系统有大量的CT、MRI等的图象，B超、内窥镜等的视频数据，还有大量的CT、MRI、B超、PET、电子内窥镜等的医用检查设备。医用信息系统中大量的如HIS,RIS,PACS,MODALITY,CPR等部门级的系统之间有大量需要交流和共用的信息,如何将这些数据有效的交流，如何减少重复手工劳动,减少数据冗余.以提供给医生、护士从而提高诊断和治疗水平，或者提供给医院管理者以提高医院的管理水平.换而言之，就是将医院各部门之间的数据互相平滑高效的交流以及医用信息的整合集成成为世界各国致力于医用信息系统的专家学者和相关研究机构的研究话题。 Radiological Society of North America(RSNA)和Healthcare Information and Management Systems Society(HIMSS)提出了IHE框架试图解决这些信息的交流和集成问题。

IHE规范遵循DICOM标准和HL7标准.DICOM标准的全称是“医学数字成像与通信”（digital imaging and communication in medicine）标准，不仅支持医学放射图象，而且面向所有的医学图象，只要简单的增加相应的服务对象类（SOP）即可，可扩展到心电图，内窥镜图象，牙医图象，病理学图象等。HL7主要为面向健康的计算机系统提供临床、金融、管理信息的电子交换标准.IHE规范还提供了HL7到DICOM的互操作. 国内随着医疗行业改革,医疗服务行业开始面向市场,通过信息化的战略来提高医患的满意度以提到很多医院的议事日程.因此构建一个集成化的标准化的系统来及时的获取各种临床信息变的非常迫 切.目前国内有许多厂商拥有遵循DICOM标准的PACS系统,然而将

国内外研究现状

将新学的词汇用于句子、会话、故事讲述或写作之中，以加深记忆。④视觉映像:通过创造有意义的视觉映像在新语言信息与己掌握的语言信息之间建立记 忆联系。可以通过想象，也可以通过画图来建立。这种视觉映像可以来自事物或现象的画面、文字出现的地方，也可以通过想象来获得。⑤语义图示:以一个基本词为中心，在纸上画出跟该词有关的词语的语义关系结构图，并表示其相互关系。⑥语音串记:利用新词和己掌握单词之间语音上的某种共同特征来建立两者之间的联系，由此促进记忆。可利用的语音特征可以是押韵，也可以是音节上的相似。⑦缩略助记:从要一记忆的词组或有关词语中抽取第一个字母或音节，组成一个新的词语单位，并用作该词组或有关词语的记忆线索。⑧言行相伴和具体操作:通过做出相应的动作和摆弄实物来记住所学到的新词。⑨构词分析:在碰到新词时观察它的词形，如发现它是由若干已知词或构词成分组成，就从这些组成部分的意义推测这一新词的意义。 贾冠杰(2001)提出的词汇学习策略有:①利用词汇游戏辅助教学。教师可根 据具体情况，在课堂教学中，适当利用单词游戏来激发学生的学习兴趣，或在课后组织学生开展一些词汇游戏以帮助他们掌握更多的词汇。②通过阅读来记忆词汇。学生可以根据上下文记忆单词也可以准确理解单词的含义。③通过形一义联想法和音一一义联想法来记忆单词。形一义联想法就是对单词的结构赋予一定的想象。音一义联想法则是设法把单词的音和义联系起来。 2.2有关词汇学习策略运用的情况 词汇作为信息的主要载体，是英语教学中的一个重要环节。然而，在语言 学的发展历史中，在相当长的一段时间内，关于词汇教与学的研究一直没有受到重视，尤其是在语法翻译时期和听说法时期。Charter(1987)曾将词汇比作 为一个不受重视的“灰姑娘”(转引自孙兴文，1998)。20世纪70年代以来， 随着交际性语言教学的出现，词汇开始引起了西方学者尤其是英美学者们的关注，词汇的地位才得以很大的提高，至此，英语词汇学习策略才成为二语习得研究者和英语教师关注的问题。 王文宇(1998)将词汇学习策略分为:规划策略(规划管理记忆全过程的方 法)、单词表策略、重复策略、联想策略、词性分析策略、上下文策略、语用策略。 姚梅林、吴建民、庞晖(2000)将词汇记忆策略分为9类:复述策略、联想策 略、归类策略、应用策略、单词表策略、上下文策略、词性分析策略、复习策略、管理策略。 将策略具体运用细分化的有: 易晓明和韩凯(1998)将词汇记忆策略分为四大类:①记忆术(如:对字母进 行转化、首字母法、编故事法、地点法、关键词法、想象形象、奇特想象)。②一般记忆加工策略(如:复述、分类、词根词缀等精细加工、对比、单词联想网)。 ③外部辅助策略(如:列表方式、物理刺激提醒、让别人告知、抄写在明显位置、利用单词等外部工具)。④元一记忆策略(如:重复、判断掌握程度、定任务量、难易判断、记忆过程总考虑、速度准确性权衡)。 程晓棠等(程晓棠、郑敏，2003)提出的词汇学习策略有:①在语境中学单词， 提出利用上下文的同义词或近义词、单词之间的指代关系以及词与词之间的搭配猜测词义。②利用联想增强对同类词的学习效果。可以用情景联想和单词网络。情景联想即是把描述日常生活中一连串动作的动词集中起来学习或复习以达到加深理解和记忆的目的。单词网络则是把同类词按照意思的层次关系设计

结构可靠性理论与应用的国内外研究现状

结构可靠性理论与应用的国内外研究 现状 摘要：自20世纪20年代以来，工程结构可靠性理论和应用的研究已取得了重大进展。许多国家开始研究在结构设计规范中的应用。从结构可靠性理论的发展历史、国内外科学家对结构可靠性理论所做的工作及成果、与目前此问题存在的一些不足之处。 关键词：工程结构可靠性理论发展 结构可靠性理论是随着人们对工程中各种不确定性认识的发展建立并逐步完善起来的一门新兴学科，它对结构的分析与设计具有重要指导意义。自20世纪20年代以来，结构可靠性的理论和应用的研究取得了重大发展。本文从结构可靠性理论的发展历史、国内外科学家对结构可靠性理论所做的工作及成果、与目前此问题存在的一些不足之处这三方面进行了简单的总结。 1 结构可靠性理论的发展历史 结构系统可靠性理论是一门新兴的边缘学科。它以概率论、数理统计方法和随机过程理论为基础，以结构分析的有限元法和网络分析技术为工具，从系统角度出发，将结构系统的设计、分析、评价、检测和维护等融为一体。作为一种科学分析方法和实用技术，狭义地讲，它研究结构系统在规定的使用条件与环境下，在给定的使用寿命期间，能有效地承受载荷和耐受环境影响而正常工作的概率。 将概率论和数理统计方法应用于结构可靠性分析的最早尝试可以追溯到20世纪初Forsell和Mayer等人的工作。尽管这些早期研究工作富有创造性，但由于当时的科技发展水平和实际需要，结构系统可靠性作为一种新的设计思想和分析方法并未引起社会的足够重视。第二次世界大战期间及随后的岁月中，有关机电设备、船舶、压力容器、飞行装置和海上石油勘探平台等，在设计使用寿命期限内，在规定的荷载条件与环境下，不能预期正常工作的事例不断增多和日趋严重。这说明了以安全系数法为代表的传统设计方法对环境条件和结构特性的决定论假设是不适当的。必须从概率论的观点出发，对有关的设计参量进行统计分析，研究它们的分布规律和相关特性，从而制订出一整套新的合理的设计规范。 因为采用全概率分析方法，研究了传统的安全系数和结构破坏概率之间的内在关系，提出了考虑多种因素，主要是有初始损伤条件下的结构系统可靠性分析的数学模型。正是由于此项工作，才促成了结构系统可靠性分析理论由经典向现代的过渡。 而后又有科学家建议根据失效面而不是失效函数定义失效模式的可靠指标β。对于同一失效面，这样定义的β不会由于选择不同的等价失效函数而发生变化。从而提出了一种有效的算法使得任何非正态随机变量都能够在设计点处转化为正态随机变量，从而使计算由非正态随机变量和非线性极限承载状态构成的失效模式的失效概率成为可能。弗罗伊登彻尔差不多和尔然尼钦等人同时展开了结构可靠性的研究工作。他提出的在随机荷载作用下结构安全度的基本问题首次得到工程界的赞同和接受。1947他发表了“结构安全度”一文

2019国内外大数据行业现状

当前，许多国家的政府和国际组织都认识到了大数据的重要作用，纷纷将开发利用大数据作为夺取新一轮竞争制高点的重要抓手，实施大数据战略，对大数据产业发展有着高度的热情。 美国政府将大数据视为强化美国竞争力的关键因素之一，把大数据研究和生产计划提高到国家战略层面。在美国的先进制药行业，药物开发领域的最新前沿技术是机器学习，即算法利用数据和经验教会自己辨别哪种化合物同哪个靶点相结合，并且发现对人眼来说不可见的模式。根据前期计划，美国希望利用大数据技术实现在多个领域的突破，包括科研教学、环境保护、工程技术、国土安全、生物医药等。 其中具体的研发计划涉及了美国国家科学基金会、国家卫生研究院、国防部、能源部、国防部高级研究局、地质勘探局等6 个联邦部门和机构。 目前，欧盟在大数据方面的活动主要涉及四方面内容：研究数据价值链战略因素；资助“大数据”和“开放数据”领域的研究和创新活动；实施开放数据政策；促进公共资助科研实验成果和数据的使用及再利用。 英国在2017 年议会期满前，开放有关交通运输、天气和健康方面的核心公共数据库，并在五年内投资1000 万英镑建立世界上首个“开放数据研究所”；政府将与出版行业等共同尽早实现对得到公共资助产生的科研成果的免费访问，英国皇家学会也在考虑如何改进科研数据在研究团体及其他用户间的共享和披露；英国研究理事会将投资200 万英镑建立一个公众可通过网络检索的“科研门户”。 法国政府为促进大数据领域的发展，将以培养新兴企业、软件制造商、工程师、信息系统设计师等为目标，开展一系列的投资计划。法国政府在其发布的《数字化路线图》中表示，将大力支持“大数据”在内的战略性高新技术，法国软件编辑联盟曾号召政府部门和私人企业共同合作，投入3 亿欧元资金用于推动大数据领域的发展。法国生产振兴部部长ArnaudMontebourg、数字经济部副部长FleurPellerin 和投资委员LouisGallois 在第二届巴黎大数据大会结束后的第二天共同宣布了将投入1150 万欧元用于支持7 个未来投资项目。这足以证明法国政府对于大数据领域发展的重视。法国政府投资这些项目的目的在于“通过发展创新性解决方案，并将其用于实践，来促进法国在大数据领域的发展”。众所周知，法国在数学和统计学领域具有独一无二的优势。 日本为了提高信息通信领域的国际竞争力、培育新产业，同时应用信息通信技术应对抗灾救灾和核电站事故等社会性问题。2013 年6 月，安倍内阁正式公布了新IT 战略——“创建

国内外研究性学习的发展与现状分析doc资料

国内外研究性学习的发展与现状分析

国内外研究性学习的发展与现状分析 1国外研究性学习的发展和现状 在西方，研究性学习的根源可以追随到古希腊的苏格拉底和它步步紧逼的探问方式。但是苏格拉底的产婆术只是形式上带有研究性学习的色彩，并没有严格的探究意义。真正直接促进研究性学习的诞生的是20世纪以来，美国几名教育专家对学习理论的探讨。如:杜威的“问题教学法”、克伯屈的“设计教学法”、布鲁纳的“发现学习理论’，、施瓦布的“探究性教学思想”等，他们关于教学实践的思想是研究性学习丰富的思想源泉。 目前，各国对研究性学习的提法不同，践行的途径也有差异，但其落脚点都是为了学生学习方式的转变，为了促进学生的创新能力和实践能力的形成。其中，比较典型的有:美国教育界就学生个体的特点在研究性学习中的作用展开研究，在大、中、小学创设了“以问题为中心的学习”和“以项目为中心的学习”的研究性学习模式;法国的“有指导的学生个人实践活动” (TPE);日本的“综合学习”课程;澳大利亚的“在解决问题辅导课中的合作学习”课程等。 西方教育家在儿童的发展、课程与教学方法的改革、探索解决问题的途径与方法策略等方面所做的论述，在世界近现代史上可谓是独领风骚，开辟了探究教学的新纪元，为当今世界倡导研究性学习奠定了雄厚的理论基础。 2国内研究性学习的发展与现状 我国的研究性学习理念最早可追溯到春秋时期，以孔子为代表的思想家主张学习是一个反复实践并获得真知的过程，即“学”、“思”、“行”三个环节;在教学中，孔子还注意到学生的个体差异，注重因材施教，运用启发诱导的方式，即“思”、“辨”、“行”三个方面。这些教育思想成为了我国历史上研究性学习的教育思想源泉。我国的研究性学习的发展是在广大中小学进行的，它是伴随着我国的基础教育改革不断成长和发展的。有的学者认为回顾研究性学习的发展历程，我国中小学大体经历了课外活动、活动课程中的研究活动和专门设置研究性学习课程三个阶段。 在我国，研究性学习首先在上海起步，在第一期课程改革中，中小学设置了活动课板块，引导学生通过课题研究自主探究学习，这是研究性学习在国最早的萌芽;从1995年起积极学习和引进国外各种有利于培养学生创新意识和实践能力的教学模式。-1998年，上海市启动了第二期中小学课程改革，提出了“以学生发展为本”的新理念，构建包括基础性、发展性、研究性三个学习力的新学习观，研究型课程成为上海二期课改中课程结构的重要组成部分:教育部在2000年1月制订的(全日制普通高级中学课程计划(试验修订版)》中，首次把“研究性学习”列入高中的必修课;2001年4月，《普通高中“研究性学习”》实施指南(试行)的颁布，标志着研究性学习全面推进展开。 1998年，研究性学习作为一门实验课程开始普及，全国各地都在实践上对研究性学习进行积极的探索。在第一期课程改革中，一些学校增加了引导学生通过课题研究自主探究学习的内容。其中比较有代表性的如:上海大同中学的“STS”和“知识论”课程;海市西中学的“告中自研式活动课程”;东师大二附中的“高中小课题研究”;东师大一附中的“跨学科研究活动辅导”等等侧。 目前，从我国各校实施研究性学习的总体现状来看，基本上是在高中阶段进行，初中阶段实施的很少;实施渠道上，大多是把把研究性学习当作一门专设课程形式，即“研究性学习课程”来实施，把研究性学习作为一种学习方式贯彻在各门课程的教学中，体现于学生的全部学习之中即学科教学的研究性学习活动这方面的实施较少，并且大多的研究成果是把研究性学习当作一门课程的形式而取得的。 在实施研究性学习课程的过程中，也出现许多误区，如:山功利主义倾向:主要表现为学校片面追求名声，热衷于产生轰动效应，急于推出成果，有意无意把学生“研究性学习”成果扩大化等等。自精英主义倾向:不面向全体学生，只重视个别优生的培养，随意拔高“研究性学习”的要求和目标，课题选择上往往脱离学生的现实生活，缺乏现实情趣和生活气息，过于偏重于科学前沿的所谓“高精尖”的“科学话题”等等。