亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于交通視頻序列的多運(yùn)動(dòng)目標(biāo)跟蹤算法

        2010-07-31 09:20:14高韜劉正光張軍
        關(guān)鍵詞:鏈表陰影濾波

        高韜,劉正光,張軍

        (天津大學(xué) 電氣與自動(dòng)化工程學(xué)院,天津,300072)

        多運(yùn)動(dòng)目標(biāo)跟蹤應(yīng)用廣泛,特別是在交通視頻監(jiān)控方面,對(duì)其進(jìn)行了廣泛的研究,提出了許多識(shí)別跟蹤算法。然而,這些算法大都只針對(duì)某一特定場(chǎng)景,并且由于硬件的限制,這一課題的發(fā)展歷史較短,而且其內(nèi)容涉及到圖像處理、模式識(shí)別和人工智能等多個(gè)學(xué)科,其理論還不夠完善,一些重要的問(wèn)題尚未解決,行之有效的方法和技術(shù)還有待開(kāi)發(fā)。肖敬若等[1]結(jié)合擴(kuò)展卡爾曼濾波法與均值漂移法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤,該方法可用于背景較復(fù)雜的情況,但是,當(dāng)目標(biāo)形變較大,并且運(yùn)動(dòng)方向改變時(shí),跟蹤往往會(huì)失效。Yao等[2]通過(guò)光流法識(shí)別運(yùn)動(dòng)目標(biāo)后,利用卡爾曼濾波,采用運(yùn)動(dòng)區(qū)域顏色特征匹配跟蹤方法,對(duì)多個(gè)目標(biāo)進(jìn)行跟蹤,但該方法只適用于背景較簡(jiǎn)單、目標(biāo)較明顯的情況。如果背景過(guò)于復(fù)雜且目標(biāo)不明顯,會(huì)導(dǎo)致處理速度過(guò)慢,影響跟蹤效果。Lei等[3-4]使用混合高斯模型背景建模法檢測(cè)運(yùn)動(dòng)目標(biāo),并通過(guò)卡爾曼濾波,利用目標(biāo)顏色直方圖和形狀模型進(jìn)行匹配識(shí)別,從而對(duì)多目標(biāo)進(jìn)行跟蹤。但跟蹤匹配參數(shù)無(wú)法自適應(yīng)獲得,常會(huì)導(dǎo)致累積跟蹤誤差,準(zhǔn)確度較低。Okuma等[5-6]提出Boosted粒子濾波與均值漂移相結(jié)合的多目標(biāo)跟蹤算法,可有效地跟蹤人體等非剛體目標(biāo),并且具有較好的抗遮擋性。但該算法事先需要大量的樣本訓(xùn)練,計(jì)算復(fù)雜度高,并且不適用于目標(biāo)大小變化劇烈的場(chǎng)景,限制了它的應(yīng)用。盧曉鵬等[7]也提出一種Mean-shit與粒子濾波結(jié)合跟蹤算法,首先應(yīng)用Mean-shift 算法進(jìn)行跟蹤,由得到的目標(biāo)位置計(jì)算相似系數(shù),與預(yù)先設(shè)定好的門限系數(shù)比較并采用不同的濾波策略,具有一定的抗遮擋性。但該算法同樣沒(méi)有考慮目標(biāo)大小變化明顯的情況,并且選擇粒子采樣的門限閾值需人工預(yù)先設(shè)定,不利于實(shí)際應(yīng)用。在多目標(biāo)數(shù)據(jù)關(guān)聯(lián)方面,最直接的方法是最近鄰域(NN)法,即如果1個(gè)量測(cè)與1個(gè)目標(biāo)軌跡的空間距離最近,則該量測(cè)為該目標(biāo)的當(dāng)前量測(cè),但在實(shí)際應(yīng)用中采用歐式距離的測(cè)度常存在各種缺陷;聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)濾波(JPDA)算法[8-9]綜合考慮了相交的波門內(nèi)的所有回波和航跡,在密集回波環(huán)境下,跟蹤多個(gè)近距離機(jī)動(dòng)目標(biāo)時(shí)仍然有很好的跟蹤性能,但其計(jì)算量隨著跟蹤門內(nèi)回波數(shù)目的增長(zhǎng)而呈指數(shù)增長(zhǎng)。在密集回波環(huán)境下,由于其計(jì)算量和存儲(chǔ)量巨大而難于在實(shí)際中應(yīng)用。多假設(shè)數(shù)據(jù)關(guān)聯(lián)跟蹤算法(MHT)[10]把多個(gè)假設(shè)繼續(xù)傳遞,讓后續(xù)的觀測(cè)數(shù)據(jù)解決這種不確定性,但其主要應(yīng)用在雷達(dá)領(lǐng)域的航跡跟蹤。目前,數(shù)據(jù)關(guān)聯(lián)根據(jù)先驗(yàn)知識(shí),如目標(biāo)的動(dòng)力學(xué)特征,將檢測(cè)結(jié)果與目標(biāo)狀態(tài)關(guān)聯(lián)起來(lái),并對(duì)跟蹤軌跡進(jìn)行濾波,而針對(duì)視頻監(jiān)控領(lǐng)域,攝像頭與圖像之間相關(guān)性較低,所以,應(yīng)對(duì)被跟蹤目標(biāo)建模并據(jù)此在圖像序列各幀中定位目標(biāo)。針對(duì)現(xiàn)有跟蹤算法的不足,本文作者提出一種結(jié)合SIFT特征粒子濾波和Mean-shift算法,采用隊(duì)列鏈表結(jié)構(gòu)數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤算法,提高了跟蹤的準(zhǔn)確性與效率,具有較高的應(yīng)用價(jià)值。

        1 運(yùn)動(dòng)目標(biāo)識(shí)別

        背景減法是目前最常用的一種識(shí)別算法,相對(duì)于其他算法,能夠提供最完整的運(yùn)動(dòng)信息,而且其操作簡(jiǎn)單,檢測(cè)位置準(zhǔn)確且速度快。但該算法的性能完全取決于背景生成的質(zhì)量。本文作者對(duì)運(yùn)動(dòng)目標(biāo)識(shí)別采用一種基于Marr小波概率核函數(shù)的背景算法(MarrB),并在 B/RDWT(Binary/redundant discrete wavelet transforms)域[11]提取運(yùn)動(dòng)信息從而檢測(cè)運(yùn)動(dòng)目標(biāo)。

        1.1 靜態(tài)背景生成

        將初始幀作為背景B,設(shè)當(dāng)前輸入幀為f,分別對(duì)其進(jìn)行金字塔1/2分解,進(jìn)行2級(jí)分解的公式為:

        其中:n1和n2都為3,表示高斯濾波核寬;均方差σ為0.5。交通監(jiān)控?cái)z像頭一般固定在道路標(biāo)桿上,考慮到車輛干擾對(duì)其引起的輕微震動(dòng),設(shè)偏移矩陣為[v,h],v和h分別代表垂直和水平抖動(dòng)參數(shù)。設(shè)第n-1級(jí)的初始偏移矩陣為[vn-1,hn-1],偏移函數(shù)為:

        其中:fmax和fmin分別為圖像中像素的最大和最小灰度。為了便于實(shí)際運(yùn)算,采用 Gauss函數(shù)的差ψ(t)=形成的DOG(Difference of Gaussian)來(lái)近似Marr小波。不斷調(diào)整(Δx,Δy),根據(jù)最佳近似度得到最佳偏移距離同時(shí),將作為下一級(jí)fn的初始偏移矩陣。通過(guò)逐級(jí)迭代,最終確定背景圖像的擴(kuò)展范圍。設(shè)偏移修正過(guò)后初始背景像素為B(i,j),當(dāng)前幀像素為f(i,j),定義當(dāng)前幀與背景偏差的Marr核概率分布為:

        圖1 背景建模比較Fig.1 Background modeling comparison

        其中:控制參數(shù)α=0.3;方差γ初值取β=0.01。同時(shí),設(shè)背景像素更新權(quán)重為:

        則迭代更新背景為:

        其中:i為迭代次數(shù);N為處理視頻序列幀數(shù)。圖 1所示為連續(xù)幀差法、混合高斯法和本研究中使用的MarrB算法對(duì)交通視頻序列背景建模的結(jié)果。從圖 1可知:MarrB算法在去除背景噪聲以及靜態(tài)背景生成方面具有更佳的抗干擾魯棒性。

        1.2 B/RDWT域運(yùn)動(dòng)目標(biāo)識(shí)別

        分別對(duì)背景和當(dāng)前幀進(jìn)行B/RDWT,在離散小波域直接提取運(yùn)動(dòng)信息。對(duì)于二維數(shù)字圖像,可采用二進(jìn)小波變換的特例:冗余離散小波變換(RDWT)來(lái)實(shí)現(xiàn)。冗余離散小波變換是除去了下采樣的離散小波變換。由于沒(méi)有下采樣,不同尺度的時(shí)間抽樣率固定,離散小波變換固有的平移變化在這里被消除,并且冗余離散小波變換后各子帶的大小與輸入信號(hào)的大小相同,從而運(yùn)動(dòng)信息M(x,y)可根據(jù)各子帶差異獲得,具體過(guò)程可參考文獻(xiàn)[11-12]。圖2所示為當(dāng)前幀以及根據(jù)運(yùn)動(dòng)區(qū)域多運(yùn)動(dòng)車輛目標(biāo)識(shí)別檢測(cè)結(jié)果。

        圖2 運(yùn)動(dòng)車輛檢測(cè)Fig.2 Motion vehicles detection

        1.3 邊緣陰影剔除

        要剔除陰影,首先要判斷圖像中是否有陰影存在,目前,判斷場(chǎng)景中是否有陰影存在的研究較少。毛燕芬等[13-14]將前景像素分為“暗色”和“亮色”,定義“亮色”像素點(diǎn)的平均能量為Eb,陰影程度為Pd,當(dāng)前景區(qū)域的Eb和Pd都超過(guò)相應(yīng)閾值時(shí),判斷存在陰影。但閾值常由經(jīng)驗(yàn)判定,并且當(dāng)背景環(huán)境較復(fù)雜時(shí),常會(huì)誤判。一般地,當(dāng)場(chǎng)景中光照較強(qiáng)時(shí),陰影很可能存在,因此,本文作者采用直接判斷背景亮度來(lái)判斷是否有陰影。當(dāng)亮度超過(guò)類間方差閾值T的像素?cái)?shù)目時(shí),判斷為存在陰影,一般T取全部像素?cái)?shù)目的1/4。該方法處理速度快、效果好,即使偶爾誤判,由于采用邊緣陰影剔除算法,也不會(huì)導(dǎo)致目標(biāo)丟失。目前,運(yùn)動(dòng)目標(biāo)陰影檢測(cè)一般采用基于彩色空間的方法[15-16]。該方法認(rèn)為陰影區(qū)域色彩變化很小,只是背景彩色分量乘以某個(gè)系數(shù)K(掩膜),以此進(jìn)行陰影分割。但是,在某些情況下,目標(biāo)和陰影在顏色信息上沒(méi)有明顯的差別,例如,當(dāng)交通道路環(huán)境中同時(shí)存在黑車和陰影時(shí),難于區(qū)分黑車與黑色陰影。一般認(rèn)為,陰影處具有稀少的邊緣細(xì)節(jié),而目標(biāo)內(nèi)部邊緣細(xì)節(jié)豐富。本研究中,依靠完整提取的前景信息,首先,對(duì)前景模板進(jìn)行“Canny”算子邊緣提取,然后,對(duì)前景區(qū)域進(jìn)行“Sobel”邊緣提取,除去噪聲后的兩者信息的差值即可得到運(yùn)動(dòng)目標(biāo)。圖3所示為該算法各步驟處理結(jié)果。

        2 結(jié)合SI_P與Mean-shift的跟蹤算法

        以檢測(cè)出來(lái)的運(yùn)動(dòng)目標(biāo)信息作為后續(xù)幀跟蹤的初始條件,采用一種結(jié)合 SIFT特征粒子濾波和 Meanshift的跟蹤算法,提高跟蹤的準(zhǔn)確度。

        2.1 SI_P算法

        SIFT特征點(diǎn)[17]代表了運(yùn)動(dòng)目標(biāo)魯棒性特征,將其與粒子濾波算法[18-19]相結(jié)合,形成 SI_P濾波算法。初始粒子的選取以及狀態(tài)轉(zhuǎn)移都以 SIFT特征點(diǎn)為依據(jù)。算法具體過(guò)程如下。

        (1)樣本初始化。在初始幀中通過(guò)運(yùn)動(dòng)目標(biāo)識(shí)別算法確定目標(biāo)區(qū)域,并計(jì)算目標(biāo)模板的顏色概率分布:

        其中:I為粒子區(qū)域的像素的個(gè)數(shù);δ為Kronecker余子函數(shù);參數(shù)a為粒子區(qū)域的規(guī)模大?。籬代表顏色直方圖;xi為第i個(gè)像素點(diǎn)的位置;函數(shù)f為歸一化因子;k為Epanechnikov核函數(shù)的輪廓函數(shù)。結(jié)合目標(biāo)區(qū)域和當(dāng)前幀 SIFT特征點(diǎn)建立初始狀態(tài)樣本集合

        (2)由替代選擇法[20]根據(jù)樣本權(quán)值從樣本集St-1中抽取N個(gè)樣本。計(jì)算樣本集合歸一化累積權(quán)值,產(chǎn)生[0, 1]區(qū)間上的均勻分布的隨機(jī)數(shù)r。在樣本中搜索使得權(quán)值的最小k,并使

        (3)設(shè)樣本空間通過(guò)運(yùn)動(dòng)模型

        其中:A為狀態(tài)轉(zhuǎn)移矩陣;R為擾動(dòng)矩陣;r為隨機(jī)高斯矩陣。A和R分別為:

        其中:σ=3, 0.35α= 。同時(shí),將t時(shí)刻由SIFT匹配的特征點(diǎn)賦予St,得到Ssift,t。

        (4)計(jì)算候選樣本分布和目標(biāo)模板的Bhattacharyya系數(shù)

        重新計(jì)算Ssift,t中每個(gè)樣本的權(quán)值:

        圖3 陰影剔除后的目標(biāo)提取Fig.3 Targets segmentation after removing shadow

        (5)由樣本的加權(quán)平均估計(jì)t時(shí)刻運(yùn)動(dòng)目標(biāo)的中心位置:

        圖 4所示為結(jié)合 SIFT特征點(diǎn)的粒子濾波跟蹤結(jié)果。

        2.2 Mean-shift運(yùn)動(dòng)目標(biāo)邊界提取

        Mean-shift[21]是一種基于外部特征的跟蹤算法,能夠?qū)C(jī)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤。對(duì)于目標(biāo)實(shí)時(shí)跟蹤,設(shè)由 SI_P濾波得到的目標(biāo)中心初始位置為y?0,計(jì)算分布概率,然

        后計(jì)算權(quán)值{wi},其中:

        為顏色概率分布函數(shù);i=1, …,nh。令g為加權(quán)核函數(shù),則目標(biāo)中心新位置為:

        通過(guò)自適應(yīng)改變Marr小波核寬尺度,較好地解決了上述問(wèn)題。

        3 多目標(biāo)數(shù)據(jù)關(guān)聯(lián)

        對(duì)于交通視頻監(jiān)控序列,車輛的行駛情況與數(shù)據(jù)結(jié)構(gòu)的隊(duì)列鏈表類似,先駛進(jìn)某一道路場(chǎng)景的車輛一般也先離開(kāi)道路(違章超車情況較少,并且不影響跟蹤準(zhǔn)確性)。因此,對(duì)于多運(yùn)動(dòng)車輛的跟蹤數(shù)據(jù)關(guān)聯(lián)采用隊(duì)列鏈表處理法(如圖 5所示),鏈表中每一個(gè)元素代表運(yùn)動(dòng)車輛,元素為結(jié)構(gòu)體,包含車輛的中心位置、四周邊界點(diǎn)位置、行駛方向、內(nèi)部顏色概率分布以及最佳Bhattacharyya匹配系數(shù)等重要信息。

        (1)新目標(biāo)的進(jìn)入。在空間上,新目標(biāo)只可能在視頻圖像幀的邊界區(qū)域出現(xiàn)。若在圖像的邊界區(qū)域檢測(cè)到1個(gè)觀測(cè)值,中心為y, 則計(jì)算其和所有現(xiàn)存目標(biāo)的距離D;若該距離遠(yuǎn)大于目標(biāo)在相鄰幀中可能運(yùn)動(dòng)的距離,則說(shuō)明該觀測(cè)為1個(gè)新目標(biāo),在隊(duì)列鏈表中插入相應(yīng)新元素值。否則,計(jì)算其顏色概率分布pu(y),判斷其與現(xiàn)存運(yùn)動(dòng)目標(biāo){ω1,ω2, …,ωn}的Bhattacharyya相關(guān)系數(shù)ρ,即若ρ小于現(xiàn)存目標(biāo)的Bhattacharyya系數(shù),則判斷為新目標(biāo);否則,選取差值最大的為最佳匹配目標(biāo)的狀態(tài)變化,并更新鏈表對(duì)應(yīng)元素內(nèi)部結(jié)構(gòu)值。

        圖4 SIFT特征點(diǎn)粒子濾波跟蹤Fig.4 Particle filtering tracking based on SIFT matching

        圖5 隊(duì)列鏈表數(shù)據(jù)關(guān)聯(lián)Fig.5 Data association of queue technique

        (2)舊目標(biāo)的消失。舊目標(biāo)的消失也只可能出現(xiàn)在圖像的邊界區(qū)域。假設(shè)上一幀圖像中的目標(biāo)ωi接近邊界,即將在下一幀圖像消失,則用如下方法對(duì)消失目標(biāo)進(jìn)行判定:讀取新一幀圖像,計(jì)算目標(biāo)ωj與新一幀中各目標(biāo){ω1,ω2, …,ωm}的 Bhattacharyya相關(guān)度,若與任何目標(biāo)都不相關(guān),則目標(biāo)ωj消失。

        該方法的優(yōu)點(diǎn)在于運(yùn)算復(fù)雜度低及利于交通監(jiān)控。在實(shí)際監(jiān)控中,更關(guān)心對(duì)違章車輛的監(jiān)控,如跨道行駛、逆行和闖紅燈等車輛,對(duì)這些車輛可根據(jù)目標(biāo)的中心值以及行駛方向快速判斷。對(duì)于無(wú)違章行為的目標(biāo)可以提前從隊(duì)列鏈表中刪除,不進(jìn)行處理,從而提高跟蹤系統(tǒng)的性能并降低對(duì)硬件的需求,利于現(xiàn)場(chǎng)應(yīng)用。

        4 實(shí)驗(yàn)結(jié)果

        圖 6所示為傳統(tǒng)粒子濾波跟蹤與 SI_P(SIFT-particle)濾波跟蹤性能,十字代表粒子狀態(tài),黑線為濾波得到的運(yùn)動(dòng)軌跡。從圖6可以看出:在SI_P算法中,每幀中的粒子一直保持在目標(biāo)區(qū)域內(nèi),而在傳統(tǒng)粒子濾波算法中,由于目標(biāo)面積改變,軌跡誤差較大,從而偏移運(yùn)動(dòng)物體導(dǎo)致跟蹤失效。

        同時(shí),在CPU為1.4 GHz,內(nèi)存為512 M,軟件為 VC++6.0的環(huán)境下,選取 15幀圖像(分辨率為768×576),對(duì)兩者的運(yùn)行時(shí)間進(jìn)行對(duì)比,結(jié)果如圖7所示,添加SIFT特征點(diǎn)提取過(guò)程后,SI_P平均運(yùn)行時(shí)間只比粒子濾波算法的平均運(yùn)行時(shí)間多 0.15 s,完全在監(jiān)控系統(tǒng)時(shí)延容許范圍內(nèi)。

        對(duì)于交通視頻序列的多目標(biāo)跟蹤,雖然遮擋車輛目標(biāo)的分離是一個(gè)很難的問(wèn)題,但是在交通監(jiān)控的實(shí)際應(yīng)用中,對(duì)于在遮擋情況比較嚴(yán)重時(shí)(比如交通路口的堵車),往往更關(guān)心的是堵車隊(duì)列的長(zhǎng)度,對(duì)于單獨(dú)車輛的分割沒(méi)有很高的要求;只有在車流比較順暢時(shí)才更關(guān)心單獨(dú)車輛的檢測(cè)與跟蹤,而在這種情況下,車輛之間往往都有一定的間距,遮擋的情況比較少,即使有也比較簡(jiǎn)單。圖8所示為高速上車輛路監(jiān)控結(jié)果。在實(shí)際監(jiān)控應(yīng)用中,當(dāng)車輛目標(biāo)過(guò)于細(xì)小時(shí)監(jiān)控也無(wú)意義,行人和遠(yuǎn)處車輛可作為噪聲去除,而主要關(guān)注近景車輛。作為比較,將本文跟蹤系統(tǒng)與目前使用較廣泛的 MoG-Kalman多目標(biāo)跟蹤系統(tǒng)[3-4]進(jìn)行對(duì)比,測(cè)試序列選為市區(qū)車流量較大時(shí)的監(jiān)控錄像片斷。圖9和圖10所示為2種跟蹤系統(tǒng)的測(cè)試結(jié)果。從圖9和圖10可以看出,由于背景建模以及運(yùn)動(dòng)識(shí)別的準(zhǔn)確性,本文作者提出的跟蹤系統(tǒng)能有效地除去行人、晃動(dòng)的樹(shù)葉及光照的變化等背景噪聲的影響(為清晰起見(jiàn),去掉了粒子顯示),同時(shí)跟蹤窗口尺度隨目標(biāo)大小自適應(yīng)改變,并且對(duì)車輛的相互遮擋也具有一定的魯棒性;而MoG-Kalman多目標(biāo)跟蹤系統(tǒng)由于背景差的缺陷,識(shí)別結(jié)果具有較大誤差,往往只含有噪聲信息,跟蹤窗口也無(wú)法自適應(yīng)改變尺度。對(duì)于該序列,設(shè)識(shí)別誤差測(cè)度e為:

        圖6 傳統(tǒng)粒子濾波與SI_P濾波跟蹤Fig.6 Traditional particle filtering and SI_P filtering tracking

        圖7 運(yùn)行時(shí)間對(duì)比Fig.7 Runtime comparison

        圖8 高速路跟蹤結(jié)果Fig.8 Multiple targets tracking on freeway

        圖9 本文跟蹤系統(tǒng)在市區(qū)道路上的多目標(biāo)跟蹤結(jié)果Fig.9 Multiple targets tracking on urban road by system provides by authors

        圖10 MoG-Kalman跟蹤系統(tǒng)在市區(qū)道路上的多目標(biāo)跟蹤結(jié)果Fig.10 Multiple targets tracking on urban road by system of MoG-Kalman

        其中:r為算法識(shí)別跟蹤的全部像素?cái)?shù)目;f為前景像素?cái)?shù)目。選取0~230幀作為對(duì)比對(duì)象,識(shí)別誤差結(jié)果如圖11所示。

        圖11 誤差測(cè)度比較Fig.11 Error comparison

        5 結(jié)論

        (1)提出了一種基于交通視頻序列的多目標(biāo)跟蹤算法。該算法通過(guò)Marr小波概率核函數(shù)生成靜態(tài)背景,提高了背景生成的有效性,并結(jié)合當(dāng)前幀在B/RDWT域進(jìn)行多運(yùn)動(dòng)目標(biāo)識(shí)別,同時(shí)采用邊緣陰影剔除算法去除陰影的干擾。

        (2)運(yùn)動(dòng)跟蹤采用新型的SI_P粒子濾波算法,并結(jié)合均值漂移法獲得運(yùn)動(dòng)目標(biāo)的準(zhǔn)確跟蹤窗口,并自適應(yīng)改變尺度。采用隊(duì)列鏈表法記錄多運(yùn)動(dòng)目標(biāo)之間的數(shù)據(jù)關(guān)聯(lián),在提高識(shí)別準(zhǔn)確率的同時(shí)降低了運(yùn)算的復(fù)雜度。實(shí)際道路測(cè)試結(jié)果表明:該算法對(duì)于多運(yùn)動(dòng)目標(biāo)識(shí)別跟蹤具有優(yōu)越的性能,可應(yīng)用于智能交通監(jiān)控、跟蹤等。

        [1] 肖敬若, 張艷寧, 胡伏原, 等. 一種魯棒的多目標(biāo)自動(dòng)跟蹤算法[J]. 信號(hào)處理, 2007, 23(3): 437-440.XIAO Jing-ruo, ZHANG Yan-ning, HU Fu-yuan, et al. A robust automatic multi-target tracking algorithm in complex environments[J]. Signal Processing, 2007, 23(3): 437-440.

        [2] Yao F H, Sekmen A, Malkani M J. Multiple moving target detection, tracking, and recognition from a moving observer[C]//Proceedings of the IEEE International Conference on Information and Automation. New York: IEEE, 2008:978-983.

        [3] LEI Bang-jun, XU Li-qun. Real-time out-door video surveillance with robust foreground extraction and object tracking via multi-state transition management[J]. Pattern Recognition Letters, 2006, 27(15): 1816-1825.

        [4] Rowe D, Reid I, Gonzàlez J, et al. Unconstrained multiple-people tracking[C]//Proceedings of the 28th DAGM Symposium. Berlin: Springer, 2006: 505-514.

        [5] Okuma K, Taleghani A, Freitas N, Little J, Lowe D. A boosted particle filter: multitarget detection and tracking[C]//Proceedingsof the 8th European Conference on Computer Vision. Berlin:Springer, 2004, 1: 28-39.

        [6] CAI Yi-zheng, Freitas N, Little J. Robust visual tracking for multiple targets[C]//Proceedings of the 9th European Conference on Computer Vision. Berlin: Springer, 2006, 4: 107-118.

        [7] 盧曉鵬, 殷學(xué)民, 鄒謀炎. 一種基于顏色分布的混合視頻跟蹤方法[J]. 電子與信息學(xué)報(bào), 2008, 30(2): 259-262.LU Xiao-peng, YIN Xue-min, ZOU Mou-yan. A hybrid algorithm of object tracking based on color distribution[J].Journal of Electronics & Information Technology, 2008, 30(2):259-262.

        [8] 巴宏欣, 趙宗貴, 楊飛, 等. 多傳感器多目標(biāo)跟蹤的 JPDA算法[J]. 系統(tǒng)仿真學(xué)報(bào), 2004,16(7): 1563-1566.BA Hong-xin, ZHAO Zong-gui, YANG fei, et al. JPDA in multisensor multitarget tracking[J].Journal of System Simulation, 2004, 16(7): 1563-1566.

        [9] 楊春玲, 余英林, 劉國(guó)歲. 多目標(biāo)跟蹤中的數(shù)據(jù)關(guān)聯(lián)算法[J].系統(tǒng)工程與電子技術(shù), 2000, 22(3): 11-15.YANG Chun-ling, YU Ying-lin, LIU Guo-sui. Data association algorithm in multi-target tracking[J]. Systems Engineering and Electronics, 2000, 22(3): 11-15.

        [10] Cox I J, Hingorani S L. An efficient implementation of reid's multiple hypothesis tracking algorithm and its evaluation for the purpose of visual tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996, 18(2): 138-150.

        [11] GAO Tao, LIU Zheng-guang, ZHANG Jun. Redundant discrete wavelet transforms based moving object recognition and tracking[J]. Journal of Systems Engineering and Electronics,2009, 20(5): 1115-1123.

        [12] GAO Tao, LIU Zheng-guang, ZHANG Jun. BDWT based moving object recognition and mexico wavelet kernel mean shift tracking[J]. Journal of System Simulation, 2008, 20(19):5236-5239.

        [13] 毛燕芬. 交通視頻監(jiān)控中的目標(biāo)檢測(cè)與跟蹤[D]. 上海: 上海交通大學(xué)圖書館, 2005.MAO Yan-fen. Object detection and tracking in traffic video surveillance[D]. Shanghai: Library, Shanghai Jiao Tong University, 2005.

        [14] XIAO Mei, HAN Chong-zhao, ZHANG Lei. Moving shadow detection and removal for traffic sequences[J]. International Journal of Automation and Computing, 2007, 4(1): 38-46.

        [15] 潘翔. 基于彩色信息和邊緣特征的運(yùn)動(dòng)陰影檢測(cè)[J]. 浙江大學(xué)學(xué)報(bào): 工學(xué)版, 2004, 38(4): 389-391.PAN Xiang. Moving shadow detection based on color information and edge features[J]. Journal of Zhejiang University:Engineering Science, 2004, 38(4): 389-391.

        [16] 王萍, 王波. 基于小波系數(shù)及光學(xué)特征的車輛陰影檢測(cè)[J].天津大學(xué)學(xué)報(bào), 2008, 41(2): 199-203.WANG Ping, WANG Bo. Vehicle shadow detection based on wavelet coefficients and photometric features[J]. Journal of Tianjin University, 2008, 41(2): 199-203.

        [17] Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004,60(2): 91-110.

        [18] Nummiaro K. An adaptive color-based particle filter[J]. Image and Vision Computing, 2003, 21(1): 99-110.

        [19] Arulampalam M S, Maskell S, Gordon N, Clapp T. A tutorial on particle filters for on-line nonlinear/non-gaussian bayesian tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2):174-188.

        [20] Reckleitis I. A particle filter tutorial for mobile robot localization[C]//Proceedings of the IEEE International Conference on Robotics and Automation. New York: IEEE, 2003,42: 1-36.

        [21] 宋新, 沈振康, 王平, 等. Mean shift在目標(biāo)跟蹤中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù), 2007, 29(9): 1405-1409.SONG Xin, SHEN Zhen-kang, WANG Ping, et al. Application of mean shift method in target tracking[J]. Systems Engineering and Electronics, 2007, 29(9): 1405-1409.

        猜你喜歡
        鏈表陰影濾波
        你來(lái)了,草就沒(méi)有了陰影
        文苑(2020年11期)2020-11-19 11:45:11
        基于二進(jìn)制鏈表的粗糙集屬性約簡(jiǎn)
        跟麥咭學(xué)編程
        基于鏈表多分支路徑樹(shù)的云存儲(chǔ)數(shù)據(jù)完整性驗(yàn)證機(jī)制
        讓光“驅(qū)走”陰影
        陰影魔怪
        RTS平滑濾波在事后姿態(tài)確定中的應(yīng)用
        基于線性正則變換的 LMS 自適應(yīng)濾波
        鏈表方式集中器抄表的設(shè)計(jì)
        无码av免费永久免费永久专区 | 性人久久久久| 国产综合无码一区二区辣椒| 亚洲最大中文字幕无码网站| 2020国产精品久久久久| 偷拍美女一区二区三区视频| 国产一区二区黄色录像| 亚洲av无码av制服另类专区| 91亚洲国产成人aⅴ毛片大全 | 免费无码又爽又刺激高潮的视频网站| 国产黄色看三级三级三级| 国产毛片视频一区二区| a级毛片无码久久精品免费| 老男人久久青草AV高清| 91在线观看国产自拍| 久久精品色福利熟妇丰满人妻91| 欧美性猛交xxxx富婆| 久久久久久久中文字幕| 中文字幕被公侵犯的丰满人妻| 美腿丝袜诱惑一区二区| 国产精品老熟女露脸视频 | 中文字幕一区二区三区四区| 三年片免费观看大全有| 日韩亚洲欧美中文高清在线| 在线观看中文字幕一区二区三区 | 图图国产亚洲综合网站| 人妻av不卡一区二区三区| 国产一区二区三区精品免费av | 日本在线中文字幕一区二区| 文字幕精品一区二区三区老狼| 国产av无码专区亚洲awww| 在线亚洲+欧美+日本专区| 日韩女优一区二区在线观看| 国产乱人对白| 国产内射合集颜射| 亚洲日本视频一区二区三区| 华人免费网站在线观看| 最近日本免费观看高清视频| 精品国产一区二区三区亚洲人| 中文字日产幕码三区做法| 国产内射爽爽大片视频社区在线|