基于目標(biāo)序列分析的智能監(jiān)控多目標(biāo)自動(dòng)檢測(cè)跟蹤

　　摘 要 針對(duì)道路交通監(jiān)控場(chǎng)景，提出并實(shí)現(xiàn)了一個(gè)多目標(biāo)自動(dòng)檢測(cè)與跟蹤系統(tǒng). 首先通過高斯混合模型的運(yùn)動(dòng)信息提取方法得到目標(biāo)運(yùn)動(dòng)信息，并分析了目標(biāo)信息的連續(xù)多幀歷史信息，估計(jì)目標(biāo)區(qū)域信息在連續(xù)多幀中的統(tǒng)一性，進(jìn)而通過信息融合的方式得到了目標(biāo)檢測(cè)結(jié)果. 然后提出了監(jiān)控場(chǎng)景下多目標(biāo)的跟蹤與管理策略，根據(jù)目標(biāo)檢測(cè)結(jié)果，對(duì)場(chǎng)景中的多個(gè)目標(biāo)同時(shí)進(jìn)行跟蹤.最后，根據(jù)目標(biāo)的不同狀態(tài)將目標(biāo)劃分為新出現(xiàn)目標(biāo)、被更新目標(biāo)和被跟蹤目標(biāo)等不同的類別，提高目標(biāo)跟蹤的準(zhǔn)確性.

　　關(guān)鍵詞 多目標(biāo)跟蹤; 智能監(jiān)控; 目標(biāo)檢測(cè)

　　隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤技術(shù)在軍事制導(dǎo)、視覺導(dǎo)航、機(jī)器人、智能交通、公共安全等領(lǐng)域都有著越來(lái)越廣泛的應(yīng)用. 在智能交通管理中，進(jìn)行多目標(biāo)的跟蹤、運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)及狀態(tài)的采集是非常重要的步驟，對(duì)其后續(xù)進(jìn)行事件分析并最終形成決策起著關(guān)鍵作用.

　　典型的智能交通管理系統(tǒng)通常包括場(chǎng)景中多個(gè)運(yùn)動(dòng)目標(biāo)的自動(dòng)檢測(cè)、跟蹤以及多個(gè)目標(biāo)的運(yùn)動(dòng)參數(shù)的提取計(jì)算，從而分析獲得監(jiān)控結(jié)果. 在此過程中，主要是通過固定的監(jiān)視攝像頭對(duì)監(jiān)控場(chǎng)景進(jìn)行實(shí)時(shí)錄像，在靜態(tài)背景下通過對(duì)序列圖像進(jìn)行分析研究，根據(jù)運(yùn)動(dòng)信息獲得靜態(tài)場(chǎng)景下運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果. 然后利用多目標(biāo)的跟蹤對(duì)檢測(cè)到的多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，從而獲得視頻序列中相同目標(biāo)之間的相對(duì)運(yùn)動(dòng)速度和位移等參數(shù). 這些參數(shù)可以作為緩解交通擁堵等現(xiàn)象的依據(jù). 其中，對(duì)監(jiān)控場(chǎng)景中運(yùn)動(dòng)的多目標(biāo)進(jìn)行自動(dòng)檢測(cè)和跟蹤是智能交通監(jiān)控的重要挑戰(zhàn).

　　針對(duì)監(jiān)控視頻大多具有固定攝像頭、靜止背景的特點(diǎn)，對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)提取目前較為廣泛采用的是基于背景統(tǒng)計(jì)模型的目標(biāo)分割技術(shù)[1，2]、基于變化的目標(biāo)分割技術(shù)[3]、基于圖論[4]這 3 種目標(biāo)提取算法.

　　此外，Yang 等[5]設(shè)計(jì)了計(jì)算模型來(lái)估計(jì)運(yùn)動(dòng)目標(biāo) 及 其 方 向，并認(rèn)為更符合視覺觀察特性; Yamamoto 等[6]和 Eveland 等[7]采用背景信息估計(jì)運(yùn)動(dòng)目標(biāo). Yamamoto 等根據(jù)目標(biāo)的點(diǎn)、線、面的特征，以及這些特征與背景的關(guān)系，估計(jì)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)范圍作為先驗(yàn)，增強(qiáng)了運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤的準(zhǔn)確性. 文獻(xiàn)[8-15]分別提出基于核密度估計(jì)、粒子濾波、超級(jí)像素、顏色屬性、局部稀疏表示、連續(xù)目標(biāo)序列標(biāo)記等多目標(biāo)跟蹤方法.

　　本文首先采用基于高斯混合模型[2]的背景建模方法檢測(cè)運(yùn)動(dòng)的目標(biāo)，然后提取運(yùn)動(dòng)目標(biāo)的團(tuán)塊信息，并根據(jù)目標(biāo)的團(tuán)塊信息在前后幀之間的匹配結(jié)果，實(shí)現(xiàn)目標(biāo)的自動(dòng)跟蹤. 同時(shí)，根據(jù)道路交通監(jiān)控場(chǎng)景中的多個(gè)運(yùn)動(dòng)目標(biāo)的目標(biāo)狀態(tài)，構(gòu)建目標(biāo)狀態(tài)列表. 針對(duì)被劃分到不同列表中的目標(biāo)，采用不同的目標(biāo)狀態(tài)管理策略對(duì)目標(biāo)狀態(tài)進(jìn)行維護(hù)和更新，增強(qiáng)目標(biāo)檢測(cè)和跟蹤的魯棒性. 系統(tǒng)流程如圖 1 所示

　　1 算法原理及系統(tǒng)設(shè)計(jì)

　　利用基于高斯混合模型的背景建模，提取連續(xù)幀圖像中的運(yùn)動(dòng)前景區(qū)域，并根據(jù)歷史信息對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行篩選和過濾，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)和標(biāo)記.然后根據(jù)檢測(cè)結(jié)果提取目標(biāo)模板，利用模板跟蹤場(chǎng)景中的多目標(biāo). 采用不同狀態(tài)目標(biāo)分類管理策略，根據(jù)不同的目標(biāo)狀態(tài)，有針對(duì)性地進(jìn)行目標(biāo)狀態(tài)的更新和維護(hù).

　　1.1 目標(biāo)信息提取

　　根據(jù)目標(biāo)的運(yùn)動(dòng)特性，模塊采用基于高斯混合模型[2]的背景建模方法，提取連續(xù)幀中的運(yùn)動(dòng)目標(biāo).這步驟的主要目的是將場(chǎng)景中所有潛在的運(yùn)動(dòng)目標(biāo)區(qū)域提取出來(lái)，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行初步分割，分割結(jié)果用來(lái)進(jìn)行后續(xù)的目標(biāo)檢測(cè)以及跟蹤. 通過高斯混合模型對(duì)視頻序列中的目標(biāo)進(jìn)行運(yùn)動(dòng)信息提取，獲得一系列的離散運(yùn)動(dòng)像素點(diǎn)或者像素點(diǎn)聚集的團(tuán)塊.對(duì)提取的運(yùn)動(dòng)團(tuán)塊，進(jìn)行團(tuán)塊歷史信息的分析，進(jìn)一步獲得目標(biāo)檢測(cè)結(jié)果.

　　1.2 目標(biāo)檢測(cè)

　　采用高斯混合模型提取的運(yùn)動(dòng)信息往往會(huì)由于實(shí)際視頻中的背景動(dòng)態(tài)干擾、噪聲等因素的影響導(dǎo)致不夠魯棒.如圖 2 為高斯背景建模示例圖，有較多的噪聲點(diǎn)，對(duì)于在圖像中位置較為接近的目標(biāo)，經(jīng)建模后得到的車輛團(tuán)塊被合并成一團(tuán)，不能對(duì)車輛位置進(jìn)行很好的區(qū)分. 因此，本文在目標(biāo)檢測(cè)模塊中將前一步初步提取的運(yùn)動(dòng)目標(biāo)信息進(jìn)行了分析，從而得到精確的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，同時(shí)過濾了虛警等非運(yùn)動(dòng)目標(biāo)區(qū)域.

　　在目標(biāo)檢測(cè)模塊中，通過對(duì)提取的目標(biāo)信息在視頻序列中的歷史狀態(tài)的分析來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè). 將目標(biāo)信息提取得到的每一幀目標(biāo)信息形成目標(biāo)信息歷史序列. 對(duì)序列進(jìn)行分析，采用匹配算法將其中較為穩(wěn)定的區(qū)域作為精確的目標(biāo)檢測(cè)結(jié)果( 圖 3) .

　　首先對(duì)連續(xù)視頻序列中獲得的前景點(diǎn)或者前景簇信息進(jìn)行團(tuán)塊檢測(cè)，通過團(tuán)塊檢測(cè)得到視頻序列在當(dāng)前時(shí)刻所有可能的團(tuán)塊. 圖 3 中對(duì)于每一時(shí)刻的目標(biāo)信息提取即為獲得每一時(shí)刻的團(tuán)塊信息. 團(tuán)塊檢測(cè)通過對(duì)每一幀中前景點(diǎn)的聚類獲得. 通過圖割的方法獲得前景點(diǎn)團(tuán)塊信息，獲得的團(tuán)塊信息被存儲(chǔ)在團(tuán)塊列表，列表中的所有團(tuán)塊所在區(qū)域被認(rèn)為是潛在的運(yùn)動(dòng)目標(biāo)所在區(qū)域. 對(duì)于得到的團(tuán)塊列表，通過對(duì)視頻中當(dāng)前幀的歷史幀中團(tuán)塊列表進(jìn)行統(tǒng)一性分析，對(duì)目標(biāo)歷史序列中每一幀的團(tuán)塊進(jìn)行檢測(cè)，得到具有統(tǒng)一運(yùn)動(dòng)方向的團(tuán)塊，即為當(dāng)前時(shí)刻的運(yùn)動(dòng)目標(biāo)區(qū)域. 具體算法如下:

　　( 1) 對(duì)視頻序列中當(dāng)前幀以及當(dāng)前幀之前的歷史幀中提取得到的目標(biāo)運(yùn)動(dòng)信息進(jìn)行團(tuán)塊檢測(cè)，得到當(dāng)前幀的所有團(tuán)塊的列表: BLt = ( B1，t，……，Bi，t，……，Bn，t ) ， ( 1)

　　BLt 表示 t 時(shí)刻檢測(cè)獲得的所有團(tuán)塊，Bi，t表示當(dāng)前幀中的第 i 個(gè)團(tuán)塊.

　　( 2) 在運(yùn)動(dòng)目標(biāo)團(tuán)塊列表中進(jìn)行統(tǒng)一性檢測(cè)，目的是進(jìn)一步精確地確定目標(biāo)，濾除虛警. 具體算法如圖 4 所示.

　　通過對(duì)團(tuán)塊列表中的所有潛在目標(biāo)團(tuán)塊進(jìn)行統(tǒng)一性檢測(cè)，可精確判定當(dāng)前幀的運(yùn)動(dòng)目標(biāo)團(tuán)塊，并且抑制虛警和噪聲對(duì)目標(biāo)檢測(cè)的影響.

　　1.3 多目標(biāo)跟蹤與管理

　　多目標(biāo)跟蹤與管理用于實(shí)現(xiàn)對(duì)道路交通監(jiān)控場(chǎng)景中多個(gè)運(yùn)動(dòng)目標(biāo)的同時(shí)跟蹤并對(duì)跟蹤過程中目標(biāo)狀態(tài)的更新與維護(hù). 在多目標(biāo)的跟蹤過程中，常常出現(xiàn)跟蹤目標(biāo)偏移現(xiàn)象. 本方法通過目標(biāo)分類管理，能夠有效解決多目標(biāo)在跟蹤過程中的偏移問題.同時(shí)，通過對(duì)不同目標(biāo)分類的實(shí)時(shí)維護(hù)，減少目標(biāo)跟蹤過程中的跟蹤丟失現(xiàn)象. 本模塊將跟蹤的目標(biāo)分為三類，目標(biāo)的分類及具體流程如圖 5 所示.

　　1.3.1 目標(biāo)跟蹤

　　在進(jìn)行多目標(biāo)跟蹤中采用模板匹配方法，首先將目標(biāo)檢測(cè)模塊得到的目標(biāo)區(qū)域?qū)?yīng)的灰度圖像作為目標(biāo)模板，然后在當(dāng)前幀中進(jìn)行相似度計(jì)算，最終匹配得到當(dāng)前幀中該目標(biāo)的區(qū)域位置

　　1.3.2 目標(biāo)更新及管理

　　目標(biāo)更新與管理首先是對(duì)比當(dāng)前幀跟蹤得到的目標(biāo)與檢測(cè)得到的目標(biāo)，并將當(dāng)前幀的目標(biāo)劃分為三類: 新進(jìn)入的目標(biāo)、下一時(shí)刻需要繼續(xù)跟蹤的老目標(biāo)以及需要進(jìn)行模板更新的目標(biāo). 目標(biāo)劃分是通過目標(biāo)列表對(duì)比完成的，通過列表中目標(biāo)與邊界信息之間的對(duì)比結(jié)果，將目標(biāo)劃分為如圖 5 所示的三類目標(biāo). 對(duì)比完成后，對(duì)三類目標(biāo)分別進(jìn)行不同策略的管理.

　　( 1) 對(duì)于新進(jìn)入監(jiān)控視野的目標(biāo)，初始化目標(biāo)位置為目標(biāo)檢測(cè)得到的目標(biāo)區(qū)域; 然后該目標(biāo)區(qū)域?qū)?yīng)的當(dāng)前幀圖像區(qū)域，作為該目標(biāo)的模板保存下來(lái)以便在下一時(shí)刻進(jìn)行目標(biāo)跟蹤算法; 將該目標(biāo)標(biāo)記為需要繼續(xù)跟蹤的老目標(biāo)，并存入相應(yīng)的列表.

　　( 2) 對(duì)于正常跟蹤的目標(biāo)，其管理工作主要分為三個(gè)部分: 對(duì)需要跟蹤的目標(biāo)，采用本文中的跟蹤算法進(jìn)行繼續(xù)跟蹤; 將跟蹤丟失或是從視場(chǎng)中移出的目標(biāo)從列表中刪除; 將未被移出的目標(biāo)重新融入到下一時(shí)刻的相應(yīng)跟蹤列表.

　　( 3) 對(duì)于需要進(jìn)行模板更新的目標(biāo)，將目標(biāo)檢測(cè)所得的區(qū)域?qū)?yīng)的圖像作為該目標(biāo)的模板保存下來(lái)并使用該更新后的模板進(jìn)行跟蹤算法. 這一工作可以及時(shí)更新運(yùn)動(dòng)目標(biāo)的特征模板，以便更好地進(jìn)行后續(xù)跟蹤，很大程度上避免了由于運(yùn)動(dòng)目標(biāo)的方位變化或者輕微遮擋所導(dǎo)致的目標(biāo)丟失現(xiàn)象.

　　2 算法描述

　　本文基于交通監(jiān)控視頻序列，實(shí)現(xiàn)視頻序列中多目標(biāo)的信息提取、多目標(biāo)檢測(cè)、多目標(biāo)的跟蹤以及目標(biāo)管理等. 整個(gè)系統(tǒng)的具體算法描述如下:

　　系統(tǒng)輸入: 視頻的圖像序列 l1，l2，…，lt .

　　系統(tǒng)輸出: 監(jiān)控場(chǎng)景視頻序列中所有運(yùn)動(dòng)目標(biāo)的跟蹤結(jié)果，并利用目標(biāo)矩形 Ri，j 進(jìn)行標(biāo)記，Ri，j 表示目標(biāo) i 在 t 時(shí)刻的標(biāo)記.

　　初始化:

　　( 1) 對(duì)視頻序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行目標(biāo)信息提取，并獲得圖像目標(biāo)的信息列表 HF t = ( I F t-n+1，I F t-n+2， …，I F t-1，I F t ) ，其中 I F t 表示 t 時(shí)刻的信息提取結(jié)果，n 為 t 時(shí)刻需記錄的歷史序列數(shù)目.

　　( 2) 根據(jù)運(yùn)動(dòng)目標(biāo)信息提取結(jié)果，初始化歷史團(tuán)塊 列 表 隊(duì) 列 BLLt = ( BLt-n+1，BLt-n+2，…，BLt-1， BLt ) ，其中 BLT 為 t 時(shí)刻的團(tuán)塊檢測(cè)結(jié)果.

　　過程描述: ( 1) 運(yùn)動(dòng)目標(biāo)信息提取

　　1) 對(duì)當(dāng)前幀圖像進(jìn)行目標(biāo)信息提取，并獲得當(dāng)前時(shí)刻 t 的信息圖像 I F t ，其中 F 表示前景. 更新目標(biāo)圖像信息列表I F t : 加入I F t ，并從列表中刪除t - n時(shí)刻的目標(biāo)信息圖像.

　　2) 對(duì)當(dāng)前幀目標(biāo)信息圖 I F t 進(jìn)行團(tuán)塊檢測(cè)，得到 t 時(shí)刻 的 團(tuán) 塊 列 表 BLt . 更新歷史團(tuán)塊列表隊(duì)列 BLLt，加入當(dāng)前幀團(tuán)塊列表，同時(shí)刪除 t - n 時(shí)刻的團(tuán)塊列表.

　　( 2) 目標(biāo)檢測(cè)

　　1) 在團(tuán)塊列表隊(duì)列 BBLt 中進(jìn)行團(tuán)塊統(tǒng)一性檢測(cè)，將具備統(tǒng)一性的目標(biāo)團(tuán)塊確定為當(dāng)前幀的運(yùn)動(dòng)目標(biāo)記入目標(biāo)列表 TLD t .

　　2) 將當(dāng)前時(shí)刻的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果即目標(biāo)列表 TLD t 輸入多目標(biāo)跟蹤管理模塊.

　　( 3) 目標(biāo)跟蹤與管理

　　1) 對(duì)比前后兩幀之間的目標(biāo)列表 TLD t ，將目標(biāo)列表中的目標(biāo)分為三類，即新目標(biāo)、待繼續(xù)跟蹤的目標(biāo)和需要更新的目標(biāo)，其目標(biāo)列表分別表示為 TLN t 、 TLT t 和 TLU t . 對(duì)位于不同列表中的目標(biāo)操作如下.

　　a. 對(duì)列表 TLN t 中目標(biāo)采用模板匹配的方法獲得新目標(biāo)的位置，并將列表 TLN t 中所包含的目標(biāo)加入列表 TLt+1，TLt+1 表示為下一時(shí)刻目標(biāo)列表.

　　b. 調(diào)用模板匹配跟蹤算法，跟蹤列表 TLN t 中所有的目標(biāo)，獲得當(dāng)前時(shí)刻運(yùn)動(dòng)目標(biāo)的位置定位，然后根據(jù)以下幾種情況對(duì)結(jié)果進(jìn)行處理:

　　3 實(shí)驗(yàn)結(jié)果與分析

　　采用兩個(gè)實(shí)際的交通監(jiān)控視頻對(duì)本文提出的多目標(biāo)跟蹤算法框架進(jìn)行實(shí)驗(yàn)分析，效果如圖 6 和 7 所示.

　　首先采用高斯背景建模方法逐漸提取視頻中的運(yùn)動(dòng)目標(biāo)，進(jìn)而采用模板匹配及信息融合的方式進(jìn)行目標(biāo)跟蹤，在跟蹤的同時(shí)亦檢測(cè)視頻中新增加的目標(biāo). 整個(gè)過程對(duì)視頻中的檢測(cè)及跟蹤的目標(biāo)進(jìn)行列表處理，包括新增目標(biāo)、跟蹤目標(biāo)以及溢出目標(biāo). 對(duì)疑似目標(biāo)在跟蹤的同時(shí)還進(jìn)行時(shí)間序列分析，對(duì)于虛假的不實(shí)目標(biāo)予以剔除，只有真實(shí)的目標(biāo)才會(huì)進(jìn)入跟蹤目標(biāo)列表. 系統(tǒng)有效地利用了圖像序列之間的關(guān)聯(lián)信息，因而具有很好的實(shí)時(shí)性. 程序采用 C++編寫，在 VC 6.0 平臺(tái)上完成. 帶有 2.0 GHz 處理器及 4 GB 內(nèi)存的筆記本電腦能夠同時(shí)完成對(duì) 30 個(gè)運(yùn)動(dòng)視頻目標(biāo)實(shí)時(shí) 的 檢 測(cè) 跟 蹤，每一幀的平均處理時(shí)間約為0.067 s.

　　根據(jù)對(duì)實(shí)驗(yàn)結(jié)果的分析可以得出，本文所提出的多目標(biāo)檢測(cè)跟蹤方法，能夠?qū)崿F(xiàn)在道路交通場(chǎng)景中，多目標(biāo)的實(shí)時(shí)自動(dòng)檢測(cè)和跟蹤. 同時(shí)，本方法利用目標(biāo)信息提取、融合目標(biāo)歷史信息以及對(duì)目標(biāo)采取分類管理和維護(hù)的方法，能夠有效地抑制多目標(biāo)跟蹤過程中出現(xiàn)的目標(biāo)偏移以及跟蹤丟失等問題.

　　4 結(jié)語(yǔ)

　　提出了一種基于道路交通場(chǎng)景的運(yùn)動(dòng)物體多目標(biāo)的自動(dòng)檢測(cè)與自動(dòng)跟蹤方法. 首先利用背景建模的方法提取目標(biāo)的運(yùn)動(dòng)信息，通過對(duì)當(dāng)前時(shí)刻幀以及當(dāng)前時(shí)刻幀對(duì)應(yīng)的歷史幀中目標(biāo)的運(yùn)動(dòng)信息的統(tǒng)一性分析，得到多目標(biāo)的檢測(cè)結(jié)果. 然后，利用模板跟蹤的方法，對(duì)檢測(cè)到的目標(biāo)進(jìn)行目標(biāo)跟蹤，同時(shí)對(duì)不同的目標(biāo)狀態(tài)，針對(duì)性地將目標(biāo)劃分為三類: 新進(jìn)入監(jiān)控視野目標(biāo)、正常跟蹤目標(biāo)和需要進(jìn)行模板更新目標(biāo)，對(duì)每一類目標(biāo)采用不同的跟蹤和管理策略. 通過對(duì)真實(shí)道路監(jiān)控場(chǎng)景的試驗(yàn)證明，本文中提出的方法能夠有效地實(shí)現(xiàn)交通場(chǎng)景下多目標(biāo)的自動(dòng)檢測(cè)與跟蹤.

　　參 考 文 獻(xiàn)

　　[1] 杜宇人，高潔軍，周愛軍，等. 基于統(tǒng)計(jì)背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 電子測(cè)量與儀器學(xué)報(bào)，2006( 增刊) : 1298-1301.

　　[2] Wren C，AzarBayeJania A，Darrell T. Pfinder: Real-time tracking of the human body [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19( 7) : 780-785.

　　[3] Aach T，Kaup A，Mester R. Statistical model-based change detection in moving video [J]. Signal Processing，1993， 31( 2) : 165-180.

　　[4] Shi J and Malik J. A normalized cuts and image segmentation [C]/ / IEEE. Proc IEEE Conf Computer Vision and Pattern Recognition. San Juan，Puerto Rico，1997.

　　[5] Yang S，Perona P.A computational model for motion detection and direction discrimination in humans[C]/ / The Workshop on Human Motion. IEEE，June 13-15，2000. Hilton Head，SC，USA.

　　[6] Yamamoto M，Yagishita K.Sceneconstraints-aided tracking of human body[C]/ / IEEE Conference on Computer Vision & Pattern Recognition. IEEE，2000: 1151-1151.

　　[7] Eveland C，Konnlige K，Bolles R C.Background modeling for segmentation of video-rate stereo sequences [C]/ / Proc. IEEE Conf. Computer Vision and Pattern Recognition. IEEE Computer Society，June 23-25，1998. Santa Barbara，CA，USA.

　　[8] Comaniciu D，Member V R，and Meer P. Kernel-based object tracking [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003， 25 ( 5 ) : 564-575.

　　[9] 程 建，周 越，蔡 念，等. 基于粒子濾波的紅外目標(biāo)跟蹤[J]. 紅外與毫米波學(xué)報(bào)，2006( 2) : 113-117.

　　[10] Yang F，Lu H，Yang M. Robust superpixel tracking [J]. IEEE Transaction on Image Processing，2014，23 ( 4) : 1639-1651

　　[11] Danelljan M，Khan F S，F(xiàn)elsberg M，et al. Adaptivecolor attributes for real-time visual tracking[C]/ / IEEE Conference on Computer Vision and Pattern Recognition. 2014: 1090-1097.

　　[12] 向金海，樊 恒，徐 俊. 基于局部稀疏表示的目標(biāo)跟蹤 [J]. 華中科技大學(xué)學(xué)報(bào). 2014，12 ( 6 ) : 256-260.

　　[13] Chen S，F(xiàn)ern A，Todorovic S. Multi-objecttracking via constrained sequential labeling[C]/ / IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society，2014: 1130-1137.

　　[14] 井沛良，徐世友，李 賢，等. 多目標(biāo)跟蹤性能評(píng)估方法綜述[J]. 系統(tǒng)工程與電子技術(shù). 2014，15 ( 5) : 321-326.

　　[15] 侯建華，鄧 雨，陳思萌，等.基于深度特征和相關(guān)濾波器的視覺目標(biāo)跟蹤[J].中南民族大學(xué)學(xué)報(bào)，2018， 37( 1) 72: 67-73.

　　相關(guān)論文推薦：智能交通發(fā)展新技巧實(shí)施條例

《基于目標(biāo)序列分析的智能監(jiān)控多目標(biāo)自動(dòng)檢測(cè)跟蹤》

上一篇：互聯(lián)網(wǎng)媒介下視覺信息的危機(jī)與治理

下一篇：自動(dòng)化倉(cāng)儲(chǔ)系統(tǒng)在實(shí)訓(xùn)中心倉(cāng)庫(kù)管理中的應(yīng)用