1.基于卡尔曼滤波的目标序列跟踪图像恢复方法，其特征在于该方法包括以下步骤：步骤1、建立符合卡尔曼滤波框架的系统模型与观测模型目标的系统模型表示如下

X(k+1)＝A(k)X(k)+W(k)，k＝0，1，2，...，N         (1)上式中，X(k)为第k时刻的目标图像矩阵，并设X(0)为目标图像的初始状态，A(k)为目标图像的状态转移矩阵，W(k)为零均值的高斯白噪声矩阵；

观测模型表示如下

Y(k+1)＝H(k+1)X(k+1)+V(k+1)，k＝0，1，2，...，N     (2)上式中，Y(k+1)为第k+1时刻的观测图像矩阵，H(k+1)为观测图像的观测矩阵，V(k+1)为零均值的高斯白噪声矩阵；

步骤2、将上述目标图像矩阵、观测图像矩阵、高斯白噪声矩阵改写成以列向量为基本单位的表达式X(k)＝[x1(k) x2(k)...xj(k)...xn(k)]      (3)W(k)＝[w1(k) w2(k)...wj(k)...wn(k)]      (4)Y(k)＝[y1(k) y2(k)...yj(k)...yn(k)]       (5)V(k)＝[v1(k) v2(k)...vj(k)...vn(k)]       (6)上式中，xj(k)为第k时刻的目标图像矩阵第j列的像素灰度值，wj(k)为第k时刻的高斯白噪声矩阵第j列的像素灰度值，yj(k)为第k时刻的观测图像矩阵第j列的像素灰度值，vj(k)为第k时刻的高斯白噪声矩阵第j列的像素灰度值；

再将系统模型与观测模型改写成以列向量为基本单位的表达式xj(k+1)＝A(k)xj(k)+wj(k)，k＝0，1，2，...，N；j＝1，2，...，n       (7)yj(k)＝H(k)xj(k)+vj(k)，k＝0，1，2，...，N；j＝1，2，...，n         (8)wj(k)～N[0，Q(k)]，k＝0，1，2，...，N；j＝1，2，...，n           (9)vj(k)～N[0，R(k)]，k＝0，1，2，...，N；j＝1，2，...，n        (10)上式中，Q(k)为高斯白噪声矩阵W(k)的方差，R(k)为高斯白噪声矩阵V(k)的方差；

步骤3目标序列观测图像融合，具体如下：

给定状态初始估计值 和状态初始估计协方差矩阵Pj(0)，基于前k个时刻的观测图像矩阵第j列可得目标图像矩阵第j列的最优估计值上式中 ， 为第k个时刻的目标图像矩阵第j列的最优估计值，为由前k个时刻的观测图像矩阵第j列得到的目标图像矩阵第j列的数学期望；

可得第k时刻目标图像矩阵第j列的最优估计协方差矩阵上式中，Pj(k|k)为第k个时刻的目标图像矩阵第j列的最优估计协方差矩阵，为第k个时刻的目标图像矩阵第j列的协方差矩阵的数学期望；

步骤3.1目标图像矩阵第j列的一步预测值计算

上式中， 为由第k个时刻的目标图像矩阵第j列的最优估计值一步预测出的第k+1个时刻的目标图像矩阵第j列的一步预测值；

步骤3.2目标图像矩阵第j列的协方差矩阵一步预测值计算上式中，Pj(k+1|k)为由第k个时刻的目标图像矩阵第j列的最优估计协方差矩阵一步预测出的第k+1个时刻的目标图像矩阵第j列的协方差矩阵一步预测值；

步骤3.3观测图像矩阵第j列的一步预测值计算

上式中， 为由第k+1个时刻的目标图像矩阵第j列的一步预测值一步预测出的第k+1个时刻的观测图像矩阵第j列的一步预测值；

步骤3.4最优增益阵Uj(k+1)计算

Uj(k+1)＝Pj(k+1|k)H(k+1)T[H(K+1)Pj(k+1|k)H(k+1)T+R]-1   (16)上式中，Uj(k+1)为第k+1个时刻的观测图像矩阵第j列的最优增益阵；

步骤3.5目标图像矩阵第j列的最优估计值与目标图像矩阵第j列的最优估计协方差矩阵计算Pj(k+1|k+1)＝[I-Uj(k+1)H(k+1)]Pj(k+1|k)        (18)上式中， 为第k+1个时刻的目标图像矩阵第j列的最优估计值，Pj(k+1|k+1)为第k+1个时刻的目标图像矩阵第j列的最优估计协方差矩阵，步骤3.6通过观测图像矩阵Y(1)、Y(2)，...，Y(N)可计算出第N个时刻的目标图像矩阵X的最优估计值为其中 为第N个时刻的目标图像矩阵X的最优估计值，E{X|Y(1)，...，Y(j)，...，Y(N))为由观测图像矩阵Y(1)、Y(2)，...，Y(N)计算出的第N个时刻目标图像矩阵X的数学期望， 为第N个时刻目标图像矩阵第j列的最优估计值上式中， 为由观测图像矩阵Y(1)、Y(2)，...，Y(N)第j列计算出的第N个时刻目标图像矩阵X第j列的数学期望。