در جوامع امروزی، بخصوص جامعه ما زنان زیادی وجود دارند که یا بی سرپرستند و یا در خانواده ای زندگی می کنند که بد سرپرستند. زنان بد سرپرست زنانی هستند که به ظاهر دارای همسر و سرپرست می باشند اما در واقع بار مسئولیت سنگین تأمین اقتصادی خانواده را برعهده دارند. مسئله نفقه و مخارج روزمره زندگی این گونه زنان از مسائلی که باید به صورت جدی مورد بحث و بررسی قرار گیرد. هدف در این پژوهش تعریف خانواده و زن بد سرپرست، بیان مشکلات آنها، و ارائه راه حل هایی جهت رفع مشکلات آنها می باشد.در این پژوهش از روش کتابخانه ای استفاده شده است. اهمیّت این موضوع جایگاه ویژه ای دارد، چرا که زنان که به عنوان نیمی از جمعیت هر جامعه ای محسوب می شوند، لذا شناسایی مشکلات آنها و تلاش برای بهبود اوضاع زندگی آنها در واقع کمک به جامعه بزرگ انسانی می باشد. در فقه و حقوق ما راههایی برای واکاوی و حل مشکلات زنان بد سرپرست بخصوص در زمینه نفقه ارائه شده که با اعمال این راهکارها درجامعه می توان در جهت توانمندسازی آنها گام برداشت.

تشخیص و ردیابی عابر پیاده یکی از وظایف اساسی سیستم های نظارت تصویری هوشمند می باشد. در سال های اخیر، روش های متعددی به منظور شناسایی، ردیابی و تشخیص فعالیت های انسانی ارائه شده است. با این حال، به علت وجود مشکلاتی از قبیل تنوع ظواهر افراد، ساختار زمینه، انسداد و شرایط نوری، تشخیص و ردیابی عابرپیاده همچنان به عنوان یک زمینه فعال تحقیقاتی در بینایی ماشین مطرح بوده، و طراحی و ساخت یک روش دقیق، مقاوم و موثر در این زمینه به صورت یک نیاز باقی مانده است. تنوع روش های ارائه شده به چگونگی تعاریفی که از شی مورد تشخیص و ردیابی صورت می گیرد، وابسته است. تحقیقات انجام شده در این زمینه بر روی توالی تصاویر مرئی و مادون قرمز، هر کدام نقاط قوت و ضعف مربوط به خود را دارند. علاوه براین، استفاده از یک یا تعداد کمی از ویژگی های تصویر، منجر به محدود شدن سیستم به شرایط خاص می گردد. در راهکار پیشنهادی، انجام پردازش ها بر روی تلفیق توالی تصاویر مرئی و مادون قرمز، امکان استفاده از اطلاعات هر دو طیف را فراهم آورده و نقاط ضعف موجود در روش های تک طیفی را برطرف می نماید . علاوه براین، تلفیق ویژگی های متعدد استخراج شده از هر دو طیف در تمام مراحل فرایند تشخیص و ردیابی، مقاومت سیستم در شرایط مختلف را بهبود می بخشد. در این روش از الگوریتم adaboost که از جمله روش های تلفیق طبقه بندها به منظور بهبود دقت و کارایی الگوریتم های یادگیری است، جهت تلفیق و وزن دهی ویژگی ها استفاده می شود. طبیعت مکمل این روش در فراهم آوردن اطلاعات حرارتی و رنگ صحنه و تلفیق ویژگی های متعدد، افزایش قابلیت اطمینان، دقت و مقاومت سیستم را درپی خواهد داشت.