唐艷鳳，林俊強(qiáng)，馬振豐

(廣東工業(yè)大學(xué)華立學(xué)院，廣州 511325)

0 引言

Cauchy模型全稱柯西彈性模型，描述了全量應(yīng)力條件下的數(shù)據(jù)應(yīng)變關(guān)系，具備較強(qiáng)的高階非線性彈性，也可用來表示增量應(yīng)力的實(shí)際應(yīng)變行為，既可以與變形能函數(shù)匹配，也可與非變形能函數(shù)匹配[1]。在該模型的應(yīng)用過程中，必須假設(shè)應(yīng)力與應(yīng)變始終保持一一對(duì)應(yīng)關(guān)系，且這種應(yīng)變行為應(yīng)該是可恢復(fù)的、與應(yīng)力實(shí)施路徑無(wú)關(guān)的。在應(yīng)變能實(shí)施方面，Cauchy模型能夠較好適應(yīng)彈性變形的能耗狀態(tài)，當(dāng)能量信息以應(yīng)變或應(yīng)力狀態(tài)貯存于材料勢(shì)能中時(shí)，材料結(jié)構(gòu)首先會(huì)因?yàn)槭芰Χ霈F(xiàn)彈性形變，然后會(huì)在屈服于塑性變形條件的同時(shí)，將外力做工劃分為塑性變形功與彈性變形功兩部分，最后彈性變形功直接貯存于已變形的材料結(jié)構(gòu)之中，而塑性變形功卻只能存在于材料表面。

人體運(yùn)動(dòng)目標(biāo)檢測(cè)是圖像序列識(shí)別中的重要處理環(huán)節(jié)，可清晰掌握目標(biāo)人體的運(yùn)動(dòng)位置與姿態(tài)過程，當(dāng)前一幀圖像與后一幀圖像保持對(duì)應(yīng)提取關(guān)系時(shí)，待測(cè)目標(biāo)的索引文件就會(huì)自發(fā)進(jìn)入既定識(shí)別狀態(tài)[2]。然而隨著待監(jiān)測(cè)行人目標(biāo)跟蹤穩(wěn)定性的下降，既定參量的提取精度值水平也會(huì)持續(xù)降低。為避免上述情況的發(fā)生，傳統(tǒng)Kinect型檢測(cè)算法借助3D攝像頭記錄視野范圍內(nèi)的人體目標(biāo)編號(hào)，再利用最小外接矩形框，實(shí)現(xiàn)對(duì)行人輪廓的信息的標(biāo)記與處理。然而與此方法匹配的PTR實(shí)測(cè)指標(biāo)水平過低，很難使檢測(cè)精度值達(dá)到理想化數(shù)值標(biāo)準(zhǔn)。為解決此問題，引入Cauchy模型，設(shè)計(jì)一種新型的行人輪廓提取及目標(biāo)檢測(cè)方法，在最大似然值估計(jì)條件的支持下，建立完整的卷積神經(jīng)網(wǎng)絡(luò)，再借助圖像分割原理，實(shí)現(xiàn)對(duì)目標(biāo)行人輪廓信息的識(shí)別與標(biāo)記。

1 Cauchy模型對(duì)行人目標(biāo)的統(tǒng)計(jì)建模

Cauchy模型對(duì)行人目標(biāo)的統(tǒng)計(jì)建模處理由Cauchy分布、最大似然值估計(jì)、第二類統(tǒng)計(jì)量計(jì)算3個(gè)應(yīng)用環(huán)節(jié)共同組成，具體操作方法如下。

1.1 Cauchy分布

由于高分辨率狀態(tài)下目標(biāo)行人輪廓圖像的成像機(jī)理可直接導(dǎo)致提取區(qū)域的不均勻性分布，傳統(tǒng)Kinect統(tǒng)計(jì)方法不能很好描述行人輪廓圖像的系數(shù)條件，而具有厚尾及尖峰特性的Cauchy模型則可以對(duì)原始目標(biāo)行人輪廓圖像進(jìn)行高精度水平的建模[3]。Cauchy模型的概率密度函數(shù)定義如下：

(1)

圖1 Cauchy分布的概率密度函數(shù)(γ=1)

圖2 Cauchy分布的概率密度函數(shù)(x0=0)

分析圖1可知，Cauchy模型具有明顯的尖峰及厚尾統(tǒng)計(jì)特性，高分辨率目標(biāo)行人輪廓圖像的統(tǒng)計(jì)模型總表現(xiàn)出沖擊型特性，因此，Cauchy模型完全適合對(duì)原始行人輪廓圖像系數(shù)進(jìn)行建模。分析圖2可知，當(dāng)x0=0時(shí)，即為不同γ取值條件下的Cauchy模型概率密度函數(shù)。x0可決定Cauchy模型概率密度函數(shù)在x軸方向上的提取偏移量，γ可決定Cauchy模型概率密度函數(shù)關(guān)于原始行人位置參數(shù)的離散化程度，γ實(shí)值越小，Cauchy模型概率密度函數(shù)中的提取參數(shù)也就越集中，尖峰特性條件也就越明顯。

1.2 最大似然值估計(jì)

在統(tǒng)計(jì)學(xué)概念中，矩估計(jì)、相似性估計(jì)是兩種最為經(jīng)典的數(shù)值推算方法，它們通過目標(biāo)行人輪廓數(shù)據(jù)樣本來估計(jì)Cauchy模型中的各項(xiàng)提取信息位置參數(shù)項(xiàng)，但是這些經(jīng)典的數(shù)值估算方法始終只能適用于一些簡(jiǎn)單的數(shù)學(xué)分布模型[4]。對(duì)于Cauchy模型來說，上述兩種估計(jì)策略不能完全與數(shù)據(jù)樣本的高斯分布行為適配，因此，該模型不同于常規(guī)概率處理方法，需要遵循全新的最大似然值估計(jì)法則。最大似然值估計(jì)可面對(duì)目標(biāo)行人輪廓數(shù)據(jù)的遍歷樣本，確定與提取常數(shù)值相關(guān)的信息密度條件。在實(shí)際應(yīng)用過程中，最大似然值估計(jì)法能夠明確與目標(biāo)行人輪廓數(shù)據(jù)相關(guān)的原始概率模型，且隨著提取信息條件的改變，數(shù)據(jù)樣本的發(fā)生概率樹也會(huì)逐漸產(chǎn)生變化[5]?？偟膩碚f，最大似然法是一種完全遵循數(shù)據(jù)樹重建法則的應(yīng)用行為。設(shè)i代表Cauchy分布條件下與變量x相關(guān)的最小數(shù)值限定條件，n代表最大數(shù)值限定條件，聯(lián)立公式(1)，可將目標(biāo)行人輪廓數(shù)據(jù)的最大似然值估計(jì)條件表示為：

(2)

1.3 第二類統(tǒng)計(jì)量

由最大似然值估計(jì)原理可知，Cauchy模型具有明顯的代數(shù)拖尾特性，在有限的目標(biāo)行人輪廓數(shù)據(jù)提取空間內(nèi)，不存在均值和方差系數(shù)，因此常用的矩參數(shù)估計(jì)法很容易直接失效，這也是第二類統(tǒng)計(jì)量出現(xiàn)的直接原因。在Cauchy模型的作用下，由于最大似然值估計(jì)條件的存在，目標(biāo)行人輪廓數(shù)據(jù)的提取精度值不會(huì)太高，而隨著第二類統(tǒng)計(jì)量實(shí)值條件的出現(xiàn)，數(shù)值估計(jì)精度與提取指令運(yùn)行時(shí)間的不對(duì)等關(guān)系得到平衡，從而實(shí)現(xiàn)對(duì)均值方差系數(shù)條件的準(zhǔn)確計(jì)算。若不考慮其他干擾條件對(duì)目標(biāo)行人輪廓數(shù)據(jù)提取結(jié)果的影響，第二類統(tǒng)計(jì)量可直接由Cauchy模型進(jìn)行定義，當(dāng)數(shù)據(jù)概率密度函數(shù)被定義在正半軸區(qū)間上時(shí)，則可利用其他變量值替換原有的普通數(shù)據(jù)統(tǒng)計(jì)量，從而降低旁系干擾條件對(duì)最終數(shù)據(jù)提取結(jié)果的影響[6-7]。

定義xδ代表Cauchy分布條件下具有第二類統(tǒng)計(jì)特征的目標(biāo)行人輪廓數(shù)據(jù)，δ代表第二類統(tǒng)計(jì)特征值，s代表基于最大似然值估計(jì)原理的統(tǒng)計(jì)特征值，Ψ(s)代表常用的矩參數(shù)估計(jì)定義式，聯(lián)立公式(2)，可將Cauchy模型的第二類統(tǒng)計(jì)量定義為：

(3)

式中，N代表既定的第二類統(tǒng)計(jì)特征值數(shù)量，e′代表與目標(biāo)行人輪廓數(shù)據(jù)相關(guān)的特征系數(shù)指標(biāo)。

2 行人輪廓特征提取

在Cauchy模型統(tǒng)計(jì)建模原理的支持下，按照卷積神經(jīng)網(wǎng)絡(luò)搭建、卷積化與反卷積處理、Gabor特征提取的操作流程，實(shí)現(xiàn)對(duì)既定行人輪廓特征的實(shí)時(shí)化提取。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

由于卷積層結(jié)構(gòu)的存在，卷積神經(jīng)網(wǎng)絡(luò)可在Cauchy模型的作用下，直接實(shí)現(xiàn)對(duì)目標(biāo)行人輪廓數(shù)據(jù)的提取處理。換句話說，卷積層結(jié)構(gòu)是整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的核心組成部分，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層作為目標(biāo)行人輪廓數(shù)據(jù)首先經(jīng)過的圖像處理路徑，可在卷積核組織的促進(jìn)下，按照Cauchy模型的實(shí)際應(yīng)用需求，對(duì)個(gè)別特征參量值進(jìn)行初步提取，并最終導(dǎo)出清晰的輸出特征圖像。每一個(gè)卷積層結(jié)構(gòu)都必須采用相似于滑動(dòng)窗口的形式對(duì)整張目標(biāo)行人輪廓圖像進(jìn)行遍歷處理，并且可對(duì)每一個(gè)待檢測(cè)窗口內(nèi)的小塊數(shù)據(jù)包組織進(jìn)行單獨(dú)卷積操作[8]。一般情況下，卷積層結(jié)構(gòu)與輸出層結(jié)構(gòu)之間存在一個(gè)明顯的池化單元，也就是下采樣層及全連接層。下采樣層的主要功能是對(duì)上一層得到的目標(biāo)行人輪廓圖像進(jìn)行壓縮處理，并可同時(shí)縮短關(guān)聯(lián)卷積層之間的數(shù)據(jù)連接距離。全連接層可執(zhí)行目標(biāo)行人輪廓圖像的分辨率擬合指令，能夠在合理壓縮卷積神經(jīng)網(wǎng)絡(luò)中目標(biāo)行人輪廓數(shù)據(jù)的同時(shí)，提高網(wǎng)絡(luò)結(jié)構(gòu)體內(nèi)部的信息訓(xùn)練效率[9]。隨著全連接層作用能力的增強(qiáng)，目標(biāo)行人輪廓數(shù)據(jù)可在A節(jié)點(diǎn)與a節(jié)點(diǎn)之間自由轉(zhuǎn)換，從而實(shí)現(xiàn)既定神經(jīng)節(jié)點(diǎn)之間的無(wú)誤連接。

2.2 卷積化與反卷積

經(jīng)過卷積化處理之后的目標(biāo)行人輪廓數(shù)據(jù)能夠長(zhǎng)期保持二維向量特征，并且在Cauchy模型的協(xié)調(diào)下，最終輸出的提取圖像信息也能夠始終維持輪廓化應(yīng)用狀態(tài)。一般情況下，卷積化處理作用后的行人輪廓提取圖像能夠直接成為熱圖存在狀態(tài)，但由于多次的池化操作處理，一部分特征信息極易出現(xiàn)丟失，且未丟失的信息尺寸也相對(duì)較小，很難滿足最終的行人目標(biāo)檢測(cè)需求，造成輪廓邊界清晰度的不斷下降[10]。在卷積化原理的作用下，卷積神經(jīng)網(wǎng)絡(luò)雖能使目標(biāo)行人輪廓圖像長(zhǎng)期維持原定輸出狀態(tài)，但總體提取效果較差，在實(shí)際檢測(cè)過程中不能得到較為理想的處理效果，因此還需在卷積化的基礎(chǔ)上加入反卷積過程。

通常情況下，卷積化與反卷積作用的目標(biāo)行人輪廓提取節(jié)點(diǎn)完全相同，但排列順序完全相反。卷積化與反卷積處置原理如圖4所示。

圖4 卷積化與反卷積處置原理

圖4中，E0～E2為卷積化處理的目標(biāo)行人輪廓提取節(jié)點(diǎn)，E2～E0為反卷積處理的目標(biāo)行人輪廓提取節(jié)點(diǎn)?？紤]實(shí)用性，在同一卷積神經(jīng)網(wǎng)絡(luò)中，隨著Cauchy模型作用能力的增強(qiáng)，目標(biāo)行人輪廓數(shù)據(jù)的待提取數(shù)量也會(huì)不斷增大，從而導(dǎo)致個(gè)別提取節(jié)點(diǎn)出現(xiàn)混亂排布狀態(tài)[11]。而由于卷積化與反卷積作用行為的存在，這些已移位節(jié)點(diǎn)能夠得到明顯的固位處理，從而為后續(xù)檢測(cè)處置提供足量的圖像數(shù)據(jù)信息。

2.3 Gabor特征提取

Gabor特征實(shí)質(zhì)上是一個(gè)經(jīng)過Cauchy模型核函數(shù)調(diào)制的復(fù)式數(shù)據(jù)正弦諧波，Gabor濾波器具有方向選擇、空間頻率、幾何特性等多項(xiàng)特性。從信息提取的角度來講，對(duì)于一個(gè)特定的行人輪廓圖像，目標(biāo)視覺系統(tǒng)中提取主機(jī)的所有神經(jīng)元結(jié)構(gòu)都能長(zhǎng)期保持明確分工的狀態(tài)，單個(gè)神經(jīng)元僅負(fù)責(zé)處理行人輪廓圖像的某一特定局部區(qū)域，最后再借助提取主機(jī)將所有局部區(qū)域整合起來[12-13]。而Gabor特征提取與目標(biāo)視覺系統(tǒng)中神經(jīng)元的視覺刺激響應(yīng)行為極為類似，在此情況下，提取主機(jī)擅長(zhǎng)捕獲目標(biāo)行人輪廓數(shù)據(jù)的頻域信息與局部空間，因此可對(duì)目標(biāo)圖像的邊緣信息參量保持相對(duì)敏感的處理狀態(tài)。在Cauchy模型的支持下，Gabor特征能夠同時(shí)提供目標(biāo)行人輪廓數(shù)據(jù)的尺度選擇特性與方向選擇特性，在視覺信息理解方面具備較強(qiáng)的實(shí)際應(yīng)用價(jià)值。設(shè)d1、d2分別代表兩個(gè)不同的Gabor特征神經(jīng)元提取系數(shù)，聯(lián)立公式(3)，可將基于Cauchy模型的目標(biāo)行人輪廓數(shù)據(jù)Gabor特征提取表達(dá)式定義為：

(4)

式中，μ代表與目標(biāo)行人輪廓數(shù)據(jù)相關(guān)的特征參量定義系數(shù)，e1、e2分別代表兩個(gè)不同的數(shù)據(jù)信息尺度選擇條件。

3 行人輪廓目標(biāo)檢測(cè)

聯(lián)合行人輪廓特征提取結(jié)果，按照行人目標(biāo)識(shí)別、目標(biāo)圖像分割、行人目標(biāo)標(biāo)記的處理流程，實(shí)現(xiàn)對(duì)行人輪廓目標(biāo)數(shù)據(jù)的實(shí)時(shí)檢測(cè)與應(yīng)用。

3.1 行人目標(biāo)識(shí)別

行人目標(biāo)識(shí)別是對(duì)輪廓目標(biāo)數(shù)據(jù)節(jié)點(diǎn)的打散與重新整合，可在已知Cauchy模型作用強(qiáng)度的基礎(chǔ)上，確定相關(guān)提取信息所處的實(shí)時(shí)位置，再通過關(guān)聯(lián)系數(shù)參量計(jì)算的方式，實(shí)現(xiàn)節(jié)點(diǎn)與節(jié)點(diǎn)之間的數(shù)據(jù)共同傳輸。初始情況下，行人輪廓目標(biāo)圖像中的噪點(diǎn)信息總量相對(duì)簡(jiǎn)單，由于Cauchy模型的存在，一部分噪點(diǎn)可能會(huì)對(duì)常規(guī)數(shù)據(jù)節(jié)點(diǎn)進(jìn)行覆蓋，從而導(dǎo)致圖像清晰度的大幅下降[14-15]。為避免上述情況的發(fā)生，在已知目標(biāo)行人輪廓數(shù)據(jù)提取結(jié)果的基礎(chǔ)上，對(duì)所有噪點(diǎn)進(jìn)行識(shí)別處理，一方面可控制噪點(diǎn)信息在原始圖像中的擴(kuò)散行為，另一方面可使識(shí)別后圖像呈現(xiàn)黑白分布狀態(tài)，實(shí)現(xiàn)對(duì)行人目標(biāo)參量的有效分析。

3.2 目標(biāo)圖像分割

當(dāng)Cauchy模型作用范圍內(nèi)存在多個(gè)行人輪廓目標(biāo)時(shí)，根據(jù)目標(biāo)識(shí)別圖像中的深度距離信息原理，可從根本上，對(duì)原有行人目標(biāo)進(jìn)行三維空間上的分割處理，即在深度方向上對(duì)待處理目標(biāo)圖像進(jìn)行自適應(yīng)距離分層處理。利用Cauchy模型對(duì)已提取的行人輪廓目標(biāo)圖像進(jìn)行自適應(yīng)分割處理，具體分割原理如圖5所示。

圖5 待檢測(cè)行人輪廓目標(biāo)圖像分割原理

圖5中的波谷與波峰均是在理想情況下的表示結(jié)果，實(shí)際情況中由于運(yùn)動(dòng)行為的存在，所有目標(biāo)節(jié)點(diǎn)都不可能始終處在原有起止位置上[16-17]。假設(shè)在目標(biāo)檢測(cè)視野中有若干個(gè)人體輪廓數(shù)據(jù)，分別處于三維空間不同的深度層組織之中，統(tǒng)計(jì)出每一段等距離路線上占據(jù)的所有像素點(diǎn)個(gè)數(shù)。再假設(shè)多個(gè)行人輪廓目標(biāo)，也分別占據(jù)不同的深度層組織。

3.3 行人目標(biāo)標(biāo)記

完成行人輪廓目標(biāo)區(qū)域提取之后，對(duì)所有數(shù)據(jù)信息進(jìn)行標(biāo)記處理，標(biāo)記的目的就是為了區(qū)分不同的行人目標(biāo)信息，以便于后續(xù)的檢測(cè)與跟蹤。最小外接矩形，是用二維坐標(biāo)形式來表示二維行人輪廓形狀的最大范圍區(qū)間，它是由二維形狀各個(gè)頂點(diǎn)最大橫、縱坐標(biāo)和最小橫、縱坐標(biāo)組成的邊界矩形[18]。所謂最小外接矩形是最小數(shù)據(jù)外接框的二維表現(xiàn)形式，對(duì)行人輪廓目標(biāo)繪制最小外接矩形，必須在三維空間自適應(yīng)距離分層及水平分割的前提條件下進(jìn)行。至此，完成各項(xiàng)指標(biāo)參數(shù)的處理及各項(xiàng)理論原則的驗(yàn)證，在Cauchy模型的支持下，實(shí)現(xiàn)對(duì)行人輪廓的提取及目標(biāo)檢測(cè)。

4 實(shí)驗(yàn)分析

為驗(yàn)證基于Cauchy模型行人輪廓提取及目標(biāo)檢測(cè)算法的實(shí)際應(yīng)用價(jià)值，設(shè)計(jì)如下對(duì)比實(shí)驗(yàn)。選取人流量相對(duì)適宜的區(qū)域作為實(shí)驗(yàn)數(shù)據(jù)提取區(qū)間，將所有圖像信息導(dǎo)入核心檢測(cè)主機(jī)中，利用軟件分析功能，確定行人目標(biāo)輪廓檢測(cè)精度值在既定實(shí)驗(yàn)時(shí)間內(nèi)的變化情況，其中實(shí)驗(yàn)組檢測(cè)主機(jī)搭載基于Cauchy模型行人輪廓提取及目標(biāo)檢測(cè)算法，對(duì)照組檢測(cè)主機(jī)搭載Kinect型檢測(cè)算法。

行人目標(biāo)輪廓檢測(cè)精度值能夠反應(yīng)控制主機(jī)對(duì)待監(jiān)測(cè)目標(biāo)的實(shí)時(shí)穩(wěn)定跟蹤能力，一般情況下，精度值越大，控制主機(jī)所具備的穩(wěn)定跟蹤能力也就越強(qiáng)，反之則越弱。表1記錄了實(shí)驗(yàn)組、對(duì)照組行人目標(biāo)輪廓檢測(cè)精度值在既定實(shí)驗(yàn)時(shí)間內(nèi)的具體變化情況。

分析表1可知，隨著實(shí)驗(yàn)時(shí)間的延長(zhǎng)，實(shí)驗(yàn)組行人目標(biāo)輪廓檢測(cè)精度值基本能在小幅上升狀態(tài)后，開始逐漸趨于穩(wěn)定波動(dòng)的變化形式，整個(gè)實(shí)驗(yàn)過程中的最大值能夠達(dá)到93%，但卻并不能保持長(zhǎng)期穩(wěn)定的存在狀態(tài)。對(duì)照組行人目標(biāo)輪廓檢測(cè)精度值則可在小幅上升狀態(tài)后，逐漸趨于穩(wěn)定的數(shù)值表現(xiàn)形態(tài)，全局最大值僅能達(dá)到60%，與實(shí)驗(yàn)組極值相比，下降了33%。綜上可知，應(yīng)用基于Cauchy模型行人輪廓提取及目標(biāo)檢測(cè)算法，可促進(jìn)行人目標(biāo)輪廓檢測(cè)精度值的大幅上升，從而加強(qiáng)控制主機(jī)對(duì)待監(jiān)測(cè)目標(biāo)的實(shí)時(shí)穩(wěn)定化跟蹤能力。

表1 行人目標(biāo)輪廓檢測(cè)精度值對(duì)比表

PTR實(shí)測(cè)指標(biāo)也能在一定程度上反映控制主機(jī)對(duì)行人目標(biāo)輪廓參量的實(shí)際提取精準(zhǔn)度數(shù)值，通常情況下，前者的指標(biāo)參量越小，后者的提取精度值也就越高，反之則越低。圖6為實(shí)驗(yàn)組、對(duì)照組PTR指標(biāo)的實(shí)際變化情況。

分析圖6可知，隨著實(shí)驗(yàn)時(shí)間的延長(zhǎng)，實(shí)驗(yàn)組、對(duì)照組PTR實(shí)測(cè)指標(biāo)均呈現(xiàn)上升、下降交替出現(xiàn)的變化趨勢(shì)，整個(gè)實(shí)驗(yàn)過程中，實(shí)驗(yàn)組最大值僅能達(dá)到3.97，與實(shí)驗(yàn)組極值5.00相比，下降了1.03。綜上可知，應(yīng)用基于Cauchy模型行人輪廓提取及目標(biāo)檢測(cè)算法，可有效控制PTR指標(biāo)的實(shí)際上升趨勢(shì)，能夠加強(qiáng)控制主機(jī)對(duì)行人目標(biāo)輪廓參量的提取精度值水平。

圖6 PTR實(shí)測(cè)指標(biāo)變化對(duì)比圖

5 結(jié)束語(yǔ)

與Kinect型檢測(cè)算法相比，基于Cauchy模型行人輪廓提取及目標(biāo)檢測(cè)算法可在確定Cauchy分布行為的同時(shí)，實(shí)現(xiàn)對(duì)行人輪廓特征的實(shí)時(shí)提取，且在行人目標(biāo)識(shí)別理論的作用下，目標(biāo)圖像能夠得到有效分割，從而完成對(duì)行人目標(biāo)的標(biāo)記與處理。從實(shí)用性角度來看，PTR實(shí)測(cè)指標(biāo)水平的下降，可促進(jìn)行人目標(biāo)輪廓檢測(cè)精度值的大幅上升，最終加強(qiáng)應(yīng)用主機(jī)對(duì)待監(jiān)測(cè)目標(biāo)的實(shí)時(shí)穩(wěn)定跟蹤能力。