مجید شاکری

تاریخ روابط بین ایران و ایالات متحده آمریکا از فرازوفرود زیادی برخوردار بوده، این فرایند بعد از انقلاب اسلامی نیز از وضعیت پیچیده تری برخوردار شده است. دولت های مختلف دموکرات و جمهوری خواه با ابزارها و روش های مختلفی در پی فشار بر جمهوری اسلامی ایران بوده و هستند. در این راستا تحقیق حاضر در پی آن است که راهبرد دولت بایدن در فشار بر جمهوری اسلامی ایران را مورد پردازش قرار دهد. این راهبرد از سویی نتیجه انباشت تاریخی و یادگیرنده انواع روش های فشار دولت های مختلف ایالات متحده علیه ایران محسوب می شود و از سوی دیگر متأثر از سیاست های ویژه دولت بایدن در قبال جمهوری اسلامی و تحولات نظم جهانی است. این تحقیق از نوع توسعه ای- کاربردی است چراکه از سویی دارای دامنه و دلالت های نظری و از سوی دیگر دارای کاربردهای عملیاتی در حوزه سیاست گذاری است. یافته های تحقیق بیانگر آن است که روش فشار دولت بایدن بر ایران را می توان ذیل عنوان کلی «مهار ترکیبی جمهوری اسلامی ایران در وضعیت پیچیدگی» مورد پردازش قرار داد. در مهار ترکیبی در وضعیت پیچیدگی به دلیل پیوندهای حساس و پیچیده سیستم و کاهش قابلیت پیش بینی پذیری و کاهش قابلیت واپایش وضعیت روابط بین بازیگران مختلف، دو عنصر «طراحی» و «بهره برداری» از اهمیت توأمان برخوردار هستند.

یکی از زمینه های کاربرد بینایی ماشین، ردیابی شیء متحرک می باشد. ردیابی شیء متحرک به صورت بلادرنگ فرآیندی است که طی آن موقعیت یک شیء متحرک در هر لحظه از زمان تعیین می شود. بدین منظور در این مقاله با یک رویکرد عملی که منجر به تولید محصول و با استفاده از کتابخانه OpenCV در محیط برنامه نویسی Visual C++ می شود، تلاش شده است تا یک شیء را در فریم های متوالی و با استفاده از یک دوربین Pan Tilt Zoom که دوربینی با یک پلتفرم دو درجه آزادی است، به صورت بلادرنگ ردگیری شود. لذا با توجه به این که هدف از این تحقیق پیاده سازی فرمول های ریاضی و مطالب ارائه شده به کدهایی است که به راحتی قابل استفاده در محصولات نظارتی و امنیتی باشند به بررسی یک الگوریتم مبتنی بر هیستوگرام به نام Kernel Base Object Tracking پرداخته و عملکرد آن با الگوریتم پرکاربرد Normalized Cross Correlation که مبتنی بر ضریب همبستگی آماری می باشد، مقایسه شده است. و مشخص گردید که عملکرد الگوریتم  Kernel Baseبرای نشان دادن شیء مورد تعقیب با محیط پس زمینه کاملاً متمایز بسیار بهتر از الگوریتم Normalized شده می باشد.