Abbas Ramazani

در طی سال های اخیر نیاز به تولید انرژی و مخصوصا انرژی های تجدیدپذیر یکی از مهم ترین دغدغه های بشر بوده است. یکی از این موارد توربین های بادی فراساحلی است که به انسان ها برای تولید انرژی بسیار کمک کرده است. دسترسی به این توربین ها سخت و پرهزینه است پس باید به طول عمر قطعات آن توجه خاصی داشت. یکی از مهم ترین قطعات الکتریکی توربین بادی ژنراتور است. پس تخمین طول عمر ژنراتور ها می تواند کمک شایانی برای کاهش هزینه تعمیر و نگهداری نماید. برای تخمین طول عمر ژنراتور باید اطلاعات و داده های کافی از حالت های خرابی و حالات نرمال سیستم وجود داشته باشد تا بتوان به طور دقیق این کار را انجام داد. با استفاده از شبیه سازی و در بستر برنامه متلب شبکه ای با دو توربین شبیه سازی شده است که با آن هم اطلاعات در هنگام بروز خطا و هم در حالت دینامیکی سیستم شبیه سازی شده و همچنین ثبت شده است. در این پژوهش شبکه های عصبی CNN و LSTM برای انجام تخمین طول عمر استفاده شده است به این صورت که شبکه اولیهCNN بوده و از آن برای استخراج ویژگی های داده ها استفاده شده است همچنین از شبکه LSTM برای کلاس بندی داده ها استفاده شده است. در سیستمی که شبیه سازی شده است چهار نقطه برای وقوع خطا ها وجود دارد و همچنین سیزده نوع خطا و البته تعدادی هم حالت تحت عنوان حالت دینامیکی سیستم در نظر گرفته شده است. استفاده از این شبکه های عصبی دقتی حدود 80 درصد را در پی داشته است.

مبدل‌ها نقش بسیار مهمی در توربین‌های بادی دارند، بنابراین عملکرد نامناسب مبدل‌های توربین بادی می‌تواند عملکرد توربین‌های بادی را مختل کرده و باعث ایجاد خطا در شبکه شود. در توربین های بادی پذیرفته شده است که مبدل باید از قابلیت اطمینان بالا و تحمل خطا برخوردار باشد. اگر خرابی قابل تشخیص باشد، می توان از توقف های پیش بینی نشده جلوگیری کرد. از آنجایی که بر اساس مطالعات قبلی اکثر خرابی ها مربوط به IGBT است، در این مطالعه، هدف ما برآورد طول عمر IGBT بر اساس اندازه گیری های پارامتر های الکتریکی آن است. برای این کار از مجموعه داده تولید شده در آزمایشگاه AMES ناسا استفاده کردیم که در آن تست تخریب بر روی IGBT ها انجام شده و ولتاژ کلکتور-امیتر به عنوان پارامتر پیشرو در نظر گرفته شده است که دارای هفت فاز است و فاز هفتم فاز شکست قطعه است. در نهایت با انتخاب ویژگی های مناسب برای کاهش پیچیدگی محاسباتی و افزایش دقت در نتایج، دو شبکه MLP و CNN-LSTM آموزش و آزمایش شدند. نتایج دو شبکه برای تشخیص فاز خرابی قطعه مقایسه و بررسی شد که نتایج نشان می دهد که شبکه MLP با توجه به دقت خروجی و سادگی آن مناسب تر است.

حمل و نقل و چالش های آن همواره مورد توجه پژوهشگران بوده است. از جمله ی این چالش ها، ایجاد عبور و مرور روان برای خودروها در سطح شهر است. استفاده از چراغ راهنمایی برای اولویت بندی عبور خودروها در سطح تقاطع از جمله روش های مدیریت ترافیک می باشد. در این پژوهش به مطالعه ی چراغ راهنمایی هوشمند با شبیه سازی در محیط سومو پرداخته شده است. دو مدل تقاطع، تکی-مستقل و دو تقاطع متصل به هم در نظر گرفته شده است. محیط برای به دست آوردن اطلاعات لازم به صورت گسسته در نظر گرفته شده است و تلاش شد از اطلاعات مختلف دریافتی ناشی از این روش، برای بهبود عملکرد عامل استفاده شود. با استفاده از یادگیری تقویتی (یادگیری کیو و شبکه عصبی عمیق)چراغ راهنمایی به عنوان عامل هوشمند تصمیم گیرنده در سطح تقاطع با مدیریت تخصیص فازها، در پی کاهش زمان انتظار وسایل نقلیه در سطح تقاطع است. نتایج این پایان نامه حاکی از کاهش طول صف خودروهای در انتظار با به کارگیری روش های ارائه شده، می باشد. در فاز دوم این پژوهش با در نظر گرفتن بسیاری از مفروضات قبلی، دو تقاطع در حالتی کاملا مستقل و حالت اشتراک گذاری اطلاعات میان عاملان بررسی شد. مقایسه میان نحوه تعریف پاداش و اثرگذاری آن بر حجم ترافیک بررسی شده است. همچنین، مطالعه ی مختصری بر پایش ترافیک از طریق الگوریتم یولو نسخه 5 نیز صورت گرفته است که نشان داده شد نحوه ی استفاده از این الگوریتم بر دقت شناسایی وسایل نقلیه و متعاقبا برآورد حجم ترافیک موثر است. در این بخش انواع وسایل نقلیه با در نظر گرفتن ضریب هم سنگ، در ایجاد ترافیک موثر واقع شدند که این امر برآورد اطلاعات را به شرایط واقعی نزدیک تر می کند.

امروزه با بالا رفتن و پیشرفته شدن تکنولوژی ساخت تراشه ها، چگالی توان مصرفی نیز رو به افزایش است. افزایش چگالی توان مصرفی منجر به افزایش دما شده است که این افزایش دما بر روی کارایی، قابلیت اطمینان، هزینه، طول عمر قطعات و توان ناشی از جریان نشتی تأثیر منفی گذاشته است. برای حل چالش افزایش دمای پردازنده، در حالت کلی از دو روش استاتیک و پویا می توان استفاده کرد. روش استاتیک در زمان طراحی تراشه ها و روش پویا در زمان اجرای برنامه ها توسط تراشه می تواند مورد استفاده قرار بگیرد. تکنیک های مختلف مدیریت پویای دما با استفاده از روش هایی که پیش تر انجام شده است و تخمین دما به همراه زمان بندی و مهاجرت وظایف، تنظیم ولتاژ و فرکانس، تزریق نخ ها و یا چرخه های بیکار ارائه شده اند. در مدیریت پویا از انواع روش ها در حوزه های مختلف به طور مثال، روش های فراابتکاری، الگوریتم های ژنتیک و یادگیری ماشین استفاده می شود. در نهایت، برخلاف رویکرد استاتیک، در روش های پویا، دما پیش از رسیدن به حد آستانه با استفاده از مدل دمایی، پیش بینی و کنترل می شود. در این پژوهش، مدلی براساس ترکیب شبکه های CNN و LSTM پیشنهاد شده است. برای آموزش مدل، با استفاده از حسگرهای دمایی و شمارنده های کارایی موجود در داخل پردازنده، مجموعه داده ای شامل تنوع مناسبی از تغییرات دمایی جمع آوری شده است که برای جمع آوری این مجموعه داده ها یکبار از کدهای خودنوشته و یکبار هم از اجرای دیتاست مبتنی بر برنامه CPUSPEC2006 استفاده شده است. برای افزایش دقت مدل، داده های دیگری با نام های ویژگی های سابقه ای و ویژگی های کنترلی از ویژگی های موجود استخراج شده است. در انتها، مدل پیشنهادی برای پیش بینی دما برای فاصله های زمانی 2 تا 5 ثانیه، در شرایط مختلف ارزیابی شده است. نتایج نشان می دهد با انتخاب این ویژگی ها دمای دو ثانیه آینده با میانگین قدر مطلق خطای کمتر از یک درجه سانتی گراد پیش بینی می شود.

چکیده: یکی از چالش برانگیزترین مراحل در انجام براکی تراپی، درج سوزن ها در داخل یا کنار بافت مورد نظر است. در این شیوه های پزشکی، سوزن ها در داخل بافت قرار می گیرند تا موقعیت منابع رادیواکتیو را هدایت کنند. منابع رادیواکتیو با میزان دوز پایین به طور دائم در داخل بافت قرار می گیرند، در حالی که یک منبع رادیواکتیو در براکی تراپی با میزان دوز بالا به طور موقت در موقعیت های مورد نظر قرار می گیرد تا بتواند میزان دوز تجویزی را به اهداف بالینی برساند. در نتیجه، قرار دادن دقیق سوزن به طور مستقیم بر تحویل دوز پرتو و نتایج درمان بیماران تأثیر می گذارد. هر گونه انحراف از موقعیت هدف منابع رادیواکتیو می تواند باعث توزیع دوز بهینه و پوشش ناکافی تومور شود. بنابراین، توسعه یک ابزار قوی و ریاضی که بتواند جایگذاری خودکار سوزن را با دقت بالایی برای روش ها و شرایط مختلف پزشکی انجام دهد، اهمیت زیادی دارد. در این پایان نامه، ما یک مفهوم جدید برای درج خودکار سوزن با استفاده از یک سیستم رباتیک خودکار جدید پیشنهاد می کنیم. مدل ریاضی این سیستم به تفصیل ارائه شده است که امکان طراحی کنترل پیش بین مدل و همچنین کنترل تطبیقی پیش بین مدل را می دهد که می تواند برای اداره مکانیسم استفاده شود. هدف از این پژوهش به حداقل رساندن جابجایی و تغییر زاویه نوک سوزن است بطوریکه نیرو و گشتاور خارجی سوزن که از بافت به آن اعمال می شود و منجر به انحراف سوزن می شود، در این تحقیق در نظر گرفته شده است، این مقادیر با استفاده از سوزن استیل استنلس و نمونه بافت شبیه سازی شده با انسان در آزمایشگاه تحقیقاتی شکل دهی فلزات (پژوهشی) محاسبه گردید. انتخاب مدل دقیق سوزن که بصورت تیر اویلر برنولی در نظر گرفته شده و تقسیم جرم پیوسته سوزن به چند قسمت گسسته از دیگر تحقیقات این پایان نامه می باشد.

امروزه با افزایش جمعیت شهری و به تبع آن افزایش وسایل نقلیه شهری و بینشهری پایش ترافیک به مسئله جدی برای کنترل آن تبدیل شده است، پایش ترافیک به کمک پردازش تصاویر ویدیویی به علت پاسخ سریعتر و اطلاعات جامعتر و نصب و نگهداری سادهتری که نسبت به سایر روشها دارد جایگاه ویژهای به خود اختصاص داده است. به طوری که با پیشرفتهایی که در الگوریتمها و روشهای پردازش تصویر در سالهای اخیر اتفاق افتاده است. میتوان گفت که مسئله پایش ترافیک به خوبی توسط این الگوریتمها حل شدهاند، در این پایاننامه از دو روش کلاسیک و مدرن پردازش تصویر برای پایش ترافیک استفاده شده است که یک روش بر پایه الگوریتمهای پایه پردازش تصویر و یک شبکه MLP چندلایه میباشد و در روش مدرن از الگوریتم Yolo 5 v که الگوریتمی نوین بر پایه Deep Learning استفاده شده است، دیتاست استفاده شده برای آموزش یولو یک دیتاست جمعآوری شده از وسایل نقلیه عبوری از خیابانهای ایران در سه کلاس خودرو سواری، اتوبوس و کامیون است که توسط محقق این پایاننامه جمعآوری و برچسبگذاری شده است و میانگین متوسط دقت برای تمام کلاسها با حد آستانه 50٪ به 82 ٪ رسیده است.

افرایش جمعیت شهری در سالهای اخیر رشد چشمگیری داشته است بهطوریکه حملونقل ترافیک شهری و برونشهری به یک چالش در زندگی تبدیلشده است و ازاینرو کنترل و مدیریت ترافیک اهمیت بسیار بالایی یافته است. یکی از مهمترین علتهای ایجاد ترافیکهای شهری و بعضا برونشهری عدم مدیریت مناسب تقاطعها میباشد. لذا در این پایاننامه به کمک به شیوه مدیریت مناسب توالی فازهای چراغهای راهنمایی و رانندگی در یک تقاطع چهار (ITS) سیستمهای حملونقل هوشمند مسیره به کمک عامل هوشمند و با شیوه یادگیری تقویتی (یادگیری کیو به کمک شبکه عصبی عمیق) سعی شده است تا ترافیک عبوری از تقاطع به شیوهای مدیریت گردد که باعث کاهش زمان معطلی وسایل نقلیه و درنتیجه بهبود ترافیک گردد. بهمنظور آموزش و ارزیابی عملکرد عامل هوشمند که برای کنترل چراغهای راهنمایی و رانندگی مورداستفاده قرارگرفته است، از محیط SUMO شبیهسازی و بهمنظور شناسایی ترافیک منتهی به تقاطع از هر مسیر از روش پردازش تصاویر ویدیویی به کمک شبکههای عصبی عمیق (الگوریتم یولو نسخه 4) استفادهشده است. برای آموزش الگوریتم یولو از تصاویر دیتاست آزاد گوگل در 6 کلاس تصاویر (خودرو سواری، اتوبوس، موتورسیکلت و ...) استفاده گردیده است.در این پایاننامه حالتها در محیط بهصورت گسسته سازی شده از سطح جاده تعریفشدهاند تا عامل بتواند در زمانهای خاص مانند ساعتهای پیک ترافیک با محاسبه سریع تابع پاداش که بر اساس زمان انتظار وسایل نقلیه تعریفشده است یک درک سریع و درعینحال کامل از محیط پیدا کند یعنی به عبارتی اطلاعات دریافت شده توسط عامل از محیط شامل اطلاعات مهم و کاربردی میباشد که حجم این اطلاعات نسبت به سایر کارهای انجامشده در این حوزه کاهش پیداکرده است و این امر باعث کاهش زمان محاسباتی شبکه عصبی میشود و این امر به پیادهسازی روانتر سیستم کمک کرده است و درعینحال نتایج بهدستآمده قابلاجرا در محیط واقعی بوده و نتایج بهدستآمده از دو قسمت ذکرشده، کارایی روش بهکاررفته در این پایاننامه را در مقابل روشهای سنتی نشان میدهد.همچنین استفاده از شبکههای عصبی عمیق برای دو قسمت شناسایی ترافیک و کنترل سیگنال ترافیک روش جدیدی است که در این پایاننامه ارائهشده است که این توانایی را به سیستم میدهد تا بهصورت کاربردی و در محیط واقعی پیادهسازی شود .

در پردازنده های امروزی برای افزایش توان محاسباتی پردازنده، تعداد هسته های پردازنده را افزایش داده اند. افزایش هسته ها در یک سطح محدود، منجر به افزایش چگالی توان مصرفی و افزایش دما میشود. افزایش دما، سبب کاهش قابلیت اطمینان و طول عمر پردازنده میگردد. بنابراین ارائه راهکاری برای مدیریت مناسب دما و عملکرد در پردازنده های امروزی امری اجتناب ناپذیر است. در این پژوهش، الگوریتم جدیدی برای مدلسازی و مدیریت دمای سیستم های چند پردازنده ای با استفاده از کاربرد روش های تئوری کنترل ارائه شده است. جهت بدست آوردن مدل دقیق حرارتی، پردازنده را تحت آزمایش آزمون های اعتبارسنجی مختلف قرار داده شده و نمونه برداری ها انجام شده است. الگوریتم ارائه شده، به صورت آنلاین و با توجه به بارکاری و دمای پردازنده، فرکانس هسته ها و دور فن را کنترل می کند. آزمایشات بر روی برد ODROID-XU4 انجام شده است که پردازنده مرکزی آن را سیستم چندپردازنده ای Samsung Exynos 5422 تشکیل می دهد. این برد دارای دو پردازنده 4 هسته ای نامتقارن می باشد. برای بررسی نتایج از سه آزمون اعتبارسنجی مختلف پخش آهنگ، ویدیو و sysbench استفاده شده است. نتایج شبیه سازی با الگوریتم پیشنهادی نشان می دهد که با انتخاب درست تابع هزینه و ضرایب آن می توان مصالحه ای درست بین عملکرد و مصرف توان، برای نگهداشتن دمای پردازنده در مقدار مطلوب انجام داد و در فضای متغیرهای عملکرد و توان، با توجه به دمای مطلوب نقطه مناسبی برای کار پردازنده انتخاب کرد.

با افزایش حجم توربین های بادی، اثرات بارگذاری دینامیکی بر ساختار توربین بادی به طور چشم گیری افزایش می یابد. بنابراین تقاضای رو به رشدی برای سیستم های کنترل جهت رفع اثرات بارهای ساختاری علاوه بر اهداف اصلی کنترلی از جمله تنظیم توان خروجی وجود دارد. پس کاهش بار و خستگی ناشی از آن، یکی از اهداف کلیدی سیستم های کنترل توربین های بادی جدید مطرح می شود. لذا برای دست یابی به این اهداف، به تنظیم زاویه گام پره ها به صورت مستقل برای کاهش بارگیری نامتقارن ناشی از برش باد عمودی و سایه برج در پره ها و همچنین به حفظ توان خروجی در مقدار نامی برای سرعت های باد بالاتر از سرعت باد نامی پرداخته شده است که از اهداف اصلی کنترلی در ناحیه سوم عملیاتی توربین بادی است. در این پژوهش، کنترل کننده بهینه برای حفظ توان توربین بادی در مقدار نامی و کنترل کننده PI جهت کاهش بارهای ریشه پره ارائه شده است. با توجه به دینامیک غیرخطی توربین بادی و با توجه به اهمیت زیاد کیفیت توان تولیدی توسط توربین و از آنجا که عملکرد بهتر کنترلکننده زاویه ی گام، کیفیت بهتر خروجی سیستم زاویه گام و متعاقباً کیفیت بهتر توان تولیدی توربین را به دنبال دارد، بهینهسازی عملکرد کنترل با یک کنترل کننده غیرخطی امری ضروری است .بنابراین یک قانون کنترل بهینه غیرخطی به کار برده شده است. در این پژوهش، با استفاده از روش معادله ریکاتی وابسته به حالت، یک کنترل کننده غیرخطی بهینه برای ردیابی سرعت روتور نامی به عنوان سیگنال مطلوب طراحی شده است. شبیه سازی بخش کنترلی با استفاده از MATLAB/Simulink و مدل سازی قسمت های مکانیکی با استفاده از FAST انجام شده و همچنین AeroDynبرای مدل سازی قسمت های آیرودینامیکی به کار گرفته شده است. پروفیل باد مربوطه توسط نرم افزار TurbSim تولید گشته و به عنوان ورودی به FAST اعمال شده است. نتایج ارائه شده در این پایان نامه بر مبنای مدل غیرخطی توربین بادی 5/1 مگاواتی 3 پره موجود در FAST می باشد که توسط NREL ارائه شده است. نتایج شبیه سازی کارایی روش کنترلی به کار رفته را نشان می دهد

تشخیص نوع و سرعت خودروها در جادهها، نقش مهمی در کاربردهای مربوط به سیستمهای حمل و نقل هوشمند جهت افزایش امنیت و سهولت تردد وسایل نقلیه در جادهها ایفا میکند. روشهای موجود برای تشخیص نوع خودرو، روشهایی هستند که با استفاده از حسگرهای مختلف، از جمله حسگرهای مغناطیسی، لیزری، راداری و... اطلاعات مورد نیاز برای تشخیص را بدست آورده و آنها را مورد بررسی قرار میدهند، اما در این میان استفاده از روشهای مبتنی بر تصاویر یا ویدئوها، با توجه به اعتبار مناسب نتایج، مورد توجه قرار گرفتهاند. تشخیص خودرو میتواند در دو سطح صورت گیرد: اینکه نوع خودرو، تنها از نظر ابعاد و ویژگیهای کلی ظاهری آن تعیین شود ) تقسیم بندی به گروههای سواری، سنگین و ... ( و یا اینکه به طور جزئیتر، مدل و شرکت سازنده خودرو هم تعیین شود. در این پایان نامه برای بخش تشخیص خودرو، از ویدئوهای نمای نزدیک و روبرو که از مجموعه دادههای موجود تهیه شده استفاده شده است. در این پایاننامه از الگوریتمهای بلادرنگ مبتنی بر هوش مصنوعی )یادگیری عمیق( برای تشخیص نوع و طبقه بندی کلاس خودروهای عبوری از محورهای مواصلاتی استفاده شده،که سعی بر غلبه بر چالش های جدی روشهای موجود مورد استفاده دارد. در این رویکرد تعداد زیادی از تصاویر موجود در مجموعه دادههای مختلف شامل شش کلاس خودرو، به عنوان دادههای آموزشی به شبکه وارد شده و با استفاده از الگوریتم یادگیری عمیق موسوم به YOLOv3 اقدام به فرآیند شناسایی خودرو شده است. همچنین به منظور ردیابی خودروها در تصاویر ویدئویی پس از شناسایی، الگوریتمهای مختلفی بررسی و در نهایت از الگوریتم Median flow در این پایان نامه بهره گرفته ایم. در پایان نیز با استفاده از الگوریتمهای تشخیص سرعت، روشی به جهت محاسبه سرعت خودروهای عبوری ارائه شده است.

بررسی های انجام شده نشان داده است که اثر ویک تأثیر قابل توجهی بر توان خروجی یک مزرعه بادی داشته و به همین دلیل، طراحی و بهینه سازی مکان و موقعیت توربین های یک مزرعه بادی، باید با در نظر گرفتن اثر ویک انجام شود. با توجه به پیچیدگی بالای این مسئله، به یک الگوریتم قدرتمند برای حل آن نیاز می باشد. یکی از الگوریتم های شناخته شده در این زمینه، الگوریتم بهینه سازی ازدحام ذرات (PSO) می باشد. این الگوریتم فرآیند پیاده سازی ساده ای داشته و در عین حال از سرعت همگرایی بسیار بالایی برخوردار است. با این وجود در مسائل پیچیده، دچار همگرایی زودرس شده و در بهینه محلی گیر می کند. در راستای رفع این مشکل، در این پژوهش یک الگوریتم ابتکاری با ترکیب الگوریتم ازدحام ذرات (PSO) و الگوریتم ژنتیک (GA) پیشنهاد شده و برای حل مسئله بهینه سازی چیدمان مزارع بادی استفاده شده است. برای بهینه سازی چیدمان مزرعه بادی، یک تابع هدف مبتنی بر هزینه کابل کشی و مقدار انرژی تولیدی مزرعه بادی معرفی شده است که کمینه سازی آن موجب کاهش هزینه توان تولیدی مزرعه بادی می شود. علاوه بر این، در این کار برای اولین بار ساختار مزرعه بادی به صورت مثلثی در نظر گرفته شده است. برای مدلسازی اثر ویک چندگانه از مدل جنسن استفاده شده که ضمن داشتن ساختار ساده ، عملکرد بهتر آن در مقایسه با روش های دیگر اثبات گردیده است. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی عملکرد بهتری در مقایسه PSO و GA ارائه داده و امکان بهینه سازی بهتر مسئله را فراهم می سازد. همچنین استفاده از چیدمان مثلثی از طریق کاهش مقدار کابل کشی، سبب کاهش هزینه کلی سیستم شده و در نهایت موجب کاهش هزینه انرژی تولیدی مزرعه بادی می شود.

ردیابی هدف در دنباله ای از تصاویر ویدیوئی یکی از مسائلی است که به دلیل کاربردهای متنوع آن در زمینه های مختلف، مورد توجهمحققانمی باشد. در این پایان نامه، روشی برای ردیابی هدف متحرک در دنباله ای از تصاویر با استفاده از فیلتر کالمن  ارائه می شود. ردیابی بدین صورت است که، در یک ناحیه جستجو که توسط فیلتر کالمن بدست می آید، ناحیه ای با بیشترین شباهت به هدف مودنظر جستجو می شود. ملاک بیشترین شباهت در بین تمام کاندیدهای هدف در ناحیه جستجو با هدف اصلی، کمترین فاصله اقلیدسی بین سطح خاکستری پیش زمینه استخراج شده از تفریق پس زمینه و پیش زمینه هدف موردنظر است. روش پیشنهادی توانایی بالایی در ردیابی شیء با وجود چالش تغییر شکل شیء ناشی از انسداد جزئی هدف با شیء ثابت دیگر دارد. همچنین در ادامه، ردیابی چند شیء نیز به الگوریتم ردیابی اضافه شده است. نتایج شبیه سازی حاکی از عملکرد مطلوب روش ارائه شده در هنگام انسداد جزئی شیء می باشد.

مساله ردیابی هدف در دنباله ای از تصاویر ویدیویی یکی از مسائلی است که به دلیل کاربردهای متنوع آن در زمینه های مختلف موردتوجه محققان می باشد. در این تحقیق، یک روش برای ردیابی هدف متحرک در دنباله ای از تصاویر با فیلتر کالمن ارائه می شود که نتیجه آن می تواند ابزار کارآمدی در مسائل پردازش تصویر و ردیابی هدف در محیط های مختلف باشد. در این پژوهش ابتدا برای آشکارسازی هدف از مفهوم همبستگی نرمال استفاده شده است و سپس برای مدل ظاهر و مدل حرکت هرکدام فیلترکالمنی اختصاص داده شده است. در این پژوهش در کنار مدل حرکت، برای مدل ظاهر نیز از فیلتر کالمن بهره برده شده است. در این تحقیق، چالش تغییر نور محیط، چالش موردتوجه است و با اعمال این روش به روی پایگاه داده PETS 2004 از نتایج به دست آمده مشاهده می شود که روش پیشنهادی در برابر تغییرات نور محیط مقاوم است. تفاوت قابل ملاحظه ای در خطا ایجاد نشد و نسبت به کار قبلی یک پنجم کاهش زمان در یک پایگاه داده یکسان به دست آمد.