一種多運(yùn)動(dòng)目標(biāo)檢測(cè)、跟蹤方法研究與實(shí)現(xiàn)

摘要：針對(duì)固定監(jiān)控場(chǎng)景提出了一種運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方案。在運(yùn)動(dòng)目標(biāo)檢測(cè)中，利用像素梯度及色度均值、方差分布建立并實(shí)時(shí)更新背景模型。在目標(biāo)跟蹤模塊，引入卡爾曼濾波器預(yù)測(cè)目標(biāo)參數(shù)，合并目標(biāo)碎片，建立幀間目標(biāo)匹配矩陣完成目標(biāo)匹配。通過實(shí)際圖像序列測(cè)試，算法能較好地實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)跟蹤，獲得運(yùn)動(dòng)目標(biāo)的軌跡，具有良好的實(shí)時(shí)性和適應(yīng)環(huán)境變化的能力。

關(guān)鍵詞： 背景模型；目標(biāo)跟蹤； 卡爾曼濾波；匹配矩陣

中圖法分類號(hào)：TP391．41文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001－3695(2007)01-0199－04

運(yùn)動(dòng)目標(biāo)的檢測(cè)、跟蹤是智能視覺監(jiān)控的重要課題，是各種后續(xù)高級(jí)處理，如目標(biāo)分類、行為理解等的基礎(chǔ)。近年來，它得到了日益廣泛的研究，其難點(diǎn)在于：

①圖像序列具有復(fù)雜性。光線、目標(biāo)動(dòng)態(tài)變化使得獲取背景圖像困難，背景的實(shí)時(shí)變化需要?jiǎng)討B(tài)更新，而如何從視頻幀中正確分割背景和檢測(cè)運(yùn)動(dòng)物體（前景目標(biāo)）是后續(xù)跟蹤、識(shí)別處理的基礎(chǔ)。

②跟蹤過程中在物體暫時(shí)消失、相互遮擋時(shí)丟失目標(biāo)信息，如何在這些復(fù)雜情況中跟蹤目標(biāo)、獲得目標(biāo)的運(yùn)動(dòng)軌跡。

已有的解決方法有：用多個(gè)攝像機(jī)構(gòu)建系統(tǒng)來處理多個(gè)運(yùn)動(dòng)目標(biāo)相互遮擋的問題[1]；用EM算法將被跟蹤人體依據(jù)顏色信息建立跟蹤[2]；基于區(qū)域的跟蹤[3]、基于模型的跟蹤[4]、基于活動(dòng)輪廓的跟蹤[5]等。為了提高跟蹤實(shí)時(shí)性，降低算法復(fù)雜度，本文采用將運(yùn)動(dòng)目標(biāo)符號(hào)化的方法[6]，即對(duì)檢測(cè)出的目標(biāo)用其外接矩形框標(biāo)注，目標(biāo)跟蹤建立在矩形框?qū)哟紊希瑥亩岣吡怂惴ǖ膶?shí)時(shí)性，改進(jìn)了文獻(xiàn)[7]中提出的通過建立幀間矩陣實(shí)現(xiàn)目標(biāo)匹配的方法，將跟蹤情況分為五種狀態(tài)分別進(jìn)行處理，并且引入Kalman濾波器實(shí)時(shí)預(yù)測(cè)目標(biāo)外接矩形框參數(shù)，在目標(biāo)暫時(shí)消失、相互遮擋等復(fù)雜情況下可恢復(fù)其運(yùn)動(dòng)信息。

1檢測(cè)運(yùn)動(dòng)目標(biāo)

目標(biāo)檢測(cè)流程如圖1所示。

圖1運(yùn)動(dòng)目標(biāo)檢測(cè)流程圖

根據(jù)不包含目標(biāo)的一段時(shí)間內(nèi)的背景幀得到背景圖像中每個(gè)像素的均值、方差參數(shù)，建立背景模型[8]：

模型參數(shù)分別為R，G，B通道的均值和方差。 

假設(shè)光線變化相對(duì)于物體運(yùn)動(dòng)為緩慢變化。背景模型中均值和方差用遞歸算法更新，并只用于非目標(biāo)區(qū)域中，目標(biāo)區(qū)域?qū)?yīng)到背景模型中的區(qū)域其均值、方差參數(shù)不變。已知在t+1時(shí)刻的背景中某像素值z(mì)t+1，則

場(chǎng)景中由于光線變化引起陰影變化被視為目標(biāo)區(qū)域，從而影響目標(biāo)的正確檢測(cè)。根據(jù)陰影區(qū)域在亮度上的變化大于色度，則任何亮度突變而色度無突變的情況都是由陰影引起的。像素色度計(jì)算如下：

分割前景目標(biāo)時(shí)，當(dāng)背景色度與前景目標(biāo)色度差別不大時(shí)，前景目標(biāo)內(nèi)會(huì)出現(xiàn)空洞或目標(biāo)碎片，影響下一步的聚類分析。在這種情況下，不能基于零階、像素級(jí)上檢測(cè)目標(biāo)，而需要結(jié)合一階圖像梯度信息得到較為準(zhǔn)確的目標(biāo)分割。

本文采用基于色度、梯度建立背景模型檢測(cè)目標(biāo)，如像素的梯度或色度信息滿足式(6)或式(7)，則像素標(biāo)記為前景點(diǎn)。

背景減除后的圖像采用3×3中值濾波器、形態(tài)學(xué)閉運(yùn)算去噪聲及連通像素區(qū)域標(biāo)記法，得到目標(biāo)個(gè)數(shù)及其外接矩形框參數(shù)；然后計(jì)算目標(biāo)間中心點(diǎn)的歐式距離，若X，Y方向的距離均小于閾值Td（實(shí)驗(yàn)中設(shè)Td＝15），則目標(biāo)合并；將得到的目標(biāo)依次判斷它的面積是否小于閾值Tarea（實(shí)驗(yàn)中設(shè)Tarea=20），如小于面積閾值則丟棄。通過目標(biāo)檢測(cè)，可得到目標(biāo)的個(gè)數(shù)，及其外接矩形框的中心點(diǎn)、左上點(diǎn)坐標(biāo)和長(zhǎng)、寬。

目標(biāo)檢測(cè)結(jié)果如圖2所示，視頻序列中取a=2。圖2(a)是視頻序列中某幀圖像；圖2(b)是對(duì)圖2（a)的檢測(cè)結(jié)果，背景模型采用像素RGB值建立，無法消除陰影；圖2（c)是對(duì)圖2（a)的檢測(cè)結(jié)果，背景模型采用像素的梯度、色度值建立，可有效消除陰影，從而分割出前景目標(biāo)，如圖2（d)所示。檢測(cè)出的目標(biāo)用不同顏色矩形框標(biāo)注，基本上達(dá)到目標(biāo)檢測(cè)的要求。

圖2目標(biāo)檢測(cè)

2運(yùn)動(dòng)目標(biāo)跟蹤

跟蹤等價(jià)于在連續(xù)的圖像幀間創(chuàng)建基于位置、速度、形狀、紋理、色彩等有關(guān)特征的對(duì)應(yīng)匹配問題。對(duì)于單個(gè)目標(biāo)，可以通過獲得目標(biāo)在每一幀中的位置得到運(yùn)動(dòng)軌跡，即建立跟蹤；但對(duì)于多個(gè)目標(biāo)，情況較為復(fù)雜，在運(yùn)動(dòng)目標(biāo)遮擋、暫時(shí)消失等情況下目標(biāo)信息丟失使跟蹤失敗。

目標(biāo)跟蹤流程如圖3所示。本文采用Kalman濾波器預(yù)測(cè)目標(biāo)在下一幀中的參數(shù)，以此合并目標(biāo)碎片，建立目標(biāo)匹配，確定當(dāng)前幀中的目標(biāo)所屬序列，從而得到運(yùn)動(dòng)軌跡，實(shí)現(xiàn)多運(yùn)動(dòng)目標(biāo)跟蹤。

圖 3多目標(biāo)跟蹤流程圖

下面將分別闡述利用Kalman濾波器預(yù)測(cè)目標(biāo)參數(shù)，根據(jù)預(yù)測(cè)參數(shù)聚類（進(jìn)一步合并目標(biāo)碎片）及建立相鄰幀間目標(biāo)匹配。

2．1基于Kalman濾波器的運(yùn)動(dòng)目標(biāo)參數(shù)估計(jì)及預(yù)測(cè)

本文將Kalman濾波器應(yīng)用于預(yù)測(cè)目標(biāo)在下一幀中的參數(shù)，算法如下：

對(duì)于實(shí)時(shí)視頻序列，每?jī)蓭瑫r(shí)間間隔Δt比較小，可以認(rèn)為目標(biāo)在相鄰幀間運(yùn)動(dòng)變化緩慢，近似為勻速運(yùn)動(dòng)，由動(dòng)力學(xué)公式可得

2．2基于預(yù)測(cè)參數(shù)的目標(biāo)聚類

目標(biāo)正確分割是建立目標(biāo)匹配、實(shí)現(xiàn)目標(biāo)跟蹤的基礎(chǔ)，基于像素梯度、色度的背景模型能有效地分割出前景目標(biāo)。由于目標(biāo)位置引起目標(biāo)內(nèi)部部分空洞（如被背景物體遮擋）造成目標(biāo)碎片，從而在目標(biāo)檢測(cè)模塊標(biāo)記為不同目標(biāo)，影響后續(xù)處理，因此必須在當(dāng)前幀中識(shí)別目標(biāo)碎片屬于哪個(gè)運(yùn)動(dòng)目標(biāo)。

本文利用Kalman濾波器得到的當(dāng)前幀目標(biāo)預(yù)測(cè)參數(shù)，將預(yù)測(cè)范圍內(nèi)的目標(biāo)碎片合并，從而得到完整的外接矩形框來標(biāo)志目標(biāo)。

假設(shè)運(yùn)動(dòng)目標(biāo)在最初兩幀內(nèi)未發(fā)生相互遮擋，并且目標(biāo)出現(xiàn)的第一幀未被背景物體遮擋，即能分割出完整目標(biāo)。該假設(shè)是符合實(shí)際情況的，則可獲得目標(biāo)狀態(tài)，即外接矩形框大小和位置，由Kalman濾波器得到其在下一幀中的預(yù)測(cè)值。

在當(dāng)前幀中得到可能包含有目標(biāo)碎片的多個(gè)目標(biāo)外接矩形框，將讀取的上一幀目標(biāo)在當(dāng)前幀中的預(yù)測(cè)值（目標(biāo)預(yù)測(cè)大小、位置），依次與當(dāng)前幀中每個(gè)目標(biāo)求交集。如果相交面積大于目標(biāo)面積的80％，則認(rèn)為該目標(biāo)與預(yù)測(cè)參數(shù)對(duì)應(yīng)的目標(biāo)屬同一目標(biāo)序列，可基本識(shí)別出碎片所屬目標(biāo)，得到運(yùn)動(dòng)目標(biāo)外接矩形框，并得到初匹配結(jié)果，即當(dāng)前幀目標(biāo)已與上一幀目標(biāo)建立對(duì)應(yīng)標(biāo)號(hào)，但對(duì)于出現(xiàn)目標(biāo)遮擋、消失等復(fù)雜情況需要進(jìn)行后續(xù)匹配以實(shí)現(xiàn)跟蹤。

實(shí)驗(yàn)結(jié)果如圖4所示。圖4(a)為當(dāng)前幀圖像；圖4（b)的背景模型準(zhǔn)確度不高，提取的目標(biāo)1斷裂為兩個(gè)目標(biāo)，檢測(cè)出有三個(gè)運(yùn)動(dòng)目標(biāo)；圖4（c）在圖4（b)的結(jié)果上標(biāo)注目標(biāo)，目標(biāo)1由于斷裂，被認(rèn)為發(fā)生分離，算法判斷跟蹤狀態(tài)錯(cuò)誤；圖4（d)根據(jù)上一幀分割出的完整的目標(biāo)1得到的預(yù)測(cè)參數(shù)，合并其碎片，得到正確的檢測(cè)結(jié)果；圖4（e)虛線矩形框代表當(dāng)前幀檢測(cè)出的三個(gè)目標(biāo)，實(shí)線矩形框是上一幀中目標(biāo)1在當(dāng)前幀中的預(yù)測(cè)位置；當(dāng)前幀目標(biāo)1，2與其相交面積達(dá)到閾值，則判斷是目標(biāo)1在當(dāng)前幀中的目標(biāo)碎片，合并后得到外接矩形框如圖4（f)中的目標(biāo)1，以及目標(biāo)2在當(dāng)前幀中的實(shí)際位置（虛線矩形框）、預(yù)測(cè)位置（實(shí)線矩形框）所示。

圖4根據(jù)預(yù)測(cè)參數(shù)合并目標(biāo)碎片

2．3目標(biāo)匹配及跟蹤算法

2．3．1目標(biāo)跟蹤算法

跟蹤即為在相鄰幀間建立目標(biāo)匹配的過程，本文引入Kalman濾波器預(yù)測(cè)目標(biāo)參數(shù)，建立匹配矩陣以實(shí)現(xiàn)相鄰幀間的目標(biāo)匹配。跟蹤算法如下：

(1)在當(dāng)前幀中檢測(cè)目標(biāo)，結(jié)構(gòu)數(shù)組Objects_info將每個(gè)目標(biāo)用四個(gè)域值描述：State，Label，Retangle，Special。其中State表示目標(biāo)匹配狀態(tài)，分為Old（一般情況），Merged（遮擋），Split（分離），New（出現(xiàn)新目標(biāo)），Disappear（目標(biāo)消失）；Label為目標(biāo)標(biāo)號(hào)，同一目標(biāo)序列應(yīng)具有相同標(biāo)號(hào)；Retangle存儲(chǔ)目標(biāo)外接矩形框參數(shù)；Special為目標(biāo)遮擋時(shí)各個(gè)目標(biāo)標(biāo)號(hào)或目標(biāo)分離時(shí)的分離目標(biāo)標(biāo)號(hào)。

(2)如果為目標(biāo)運(yùn)動(dòng)的第一幀，則轉(zhuǎn)到(4）執(zhí)行；如果為后續(xù)幀則讀取當(dāng)前幀的預(yù)測(cè)參數(shù)，即目標(biāo)外接矩形框的大小和位置，合并目標(biāo)碎片，完成初匹配，得到更新后的Objects_info，Label為匹配的上一幀目標(biāo)標(biāo)號(hào)。

(3)將當(dāng)前幀目標(biāo)(Objects_info)和上一幀目標(biāo)(Objects_infoo)建立匹配矩陣（2．3．2節(jié)闡述矩陣建立及匹配過程），判斷目標(biāo)匹配的五種狀態(tài)，得到匹配后的當(dāng)前幀目標(biāo)(Info_new)和上一幀目標(biāo)(Info_old)：

①如Info_new(i).State=Merged， 則當(dāng)前幀第i個(gè)目標(biāo)為目標(biāo)遮擋形成，Info_new(i).special中存儲(chǔ)遮擋目標(biāo)標(biāo)號(hào)，并且在第i個(gè)目標(biāo)的狀態(tài)變?yōu)镾plit前，其State，Special域值不變。根據(jù)標(biāo)號(hào)記錄遮擋目標(biāo)在后續(xù)幀中的預(yù)測(cè)參數(shù)（目標(biāo)外接矩形框中心點(diǎn)坐標(biāo)X，Y值及寬度、高度預(yù)測(cè)參數(shù)數(shù)組Preonex， Preoney， Preonew， Preoneh），便于為目標(biāo)分離時(shí)建立匹配。

②如果Info_old(i).label=Spilit 且 Info_new(i).label=Old， 表明上一幀第i個(gè)目標(biāo)在當(dāng)前幀中分離，Objects_infoo中第i個(gè)目標(biāo)由分離目標(biāo)參數(shù)代替，從Preonex， Preoney， Preonew， Preoneh中讀取其參數(shù)，再通過建立與當(dāng)前幀目標(biāo)Objects_info的匹配矩陣，確定Objects_info 中每個(gè)目標(biāo)的匹配情況，即得到更新后的Info_new，并使Objects_infoo=Info_new（存儲(chǔ)當(dāng)前幀信息以便下一幀建立匹配）。

(4)由Kalman濾波器得到當(dāng)前幀目標(biāo)外接矩形框在下一幀中的預(yù)測(cè)參數(shù)，得到預(yù)測(cè)數(shù)組Prex（左上點(diǎn)X坐標(biāo)），Prey（左上點(diǎn)Y坐標(biāo)），Prew（寬度），Preh（高度），程序轉(zhuǎn)到（1），直到視頻圖像序列結(jié)束。

2．3．2目標(biāo)匹配

文獻(xiàn)[7]只根據(jù)匹配矩陣確定了當(dāng)前幀的目標(biāo)運(yùn)動(dòng)情況，并未更新上一幀的目標(biāo)運(yùn)動(dòng)情況，無法判斷是否出現(xiàn)上一幀目標(biāo)消失、分離成新目標(biāo)的情況。因此，本文改進(jìn)了文獻(xiàn)[6]提出的匹配矩陣算法。

多目標(biāo)在視場(chǎng)中的運(yùn)動(dòng)可分為五種情況：出現(xiàn)新目標(biāo)、目標(biāo)遮擋、目標(biāo)消失、遮擋目標(biāo)分離和除此以外的一般情況下的目標(biāo)匹配。本文分兩步掃描匹配矩陣以確定當(dāng)前幀目標(biāo)和更新上一幀目標(biāo)的運(yùn)動(dòng)狀態(tài)。

(1)按列掃描匹配矩陣（確定當(dāng)前幀目標(biāo)匹配狀態(tài)），可合并成三種情況處理，具體判斷準(zhǔn)則如下：

①若第k列的每個(gè)元素都為0。當(dāng)前幀的第k個(gè)目標(biāo)為新出現(xiàn)目標(biāo)， State更新為New。

②第k列中只有第h行一個(gè)元素非零。當(dāng)前幀中的第 k個(gè)目標(biāo)與上一幀中的第h個(gè)目標(biāo)匹配，加入第h個(gè)目標(biāo)的目標(biāo)鏈，賦予與上一幀中第h個(gè)目標(biāo)相同的標(biāo)號(hào)， State更新為Old；但如上一幀中的第h個(gè)目標(biāo)為遮擋情況下形成的合并矩形框，即Objects_infoo(h).State=Merged， 則State，Special域值不變。

③第k列中有多個(gè)元素非零（如第h行、第h+1行非零）。上一幀中第h和h+1個(gè)目標(biāo)在當(dāng)前幀中發(fā)生遮擋，記錄下發(fā)生遮擋的目標(biāo)標(biāo)號(hào)（目標(biāo)分離時(shí)的匹配需要此信息），并把最小的目標(biāo)標(biāo)號(hào)作為當(dāng)前幀遮擋目標(biāo)的標(biāo)號(hào)，將State更新為Merged。

（2）再按行掃描關(guān)系矩陣（更新上一幀目標(biāo)狀態(tài)）：

①若第K行每個(gè)元素都為0，上一幀中的第K個(gè)目標(biāo)消失，刪除目標(biāo)鏈，State更新為Disappear。

②若第K行中有多個(gè)元素非零（如第h列、第h+1列非零），則上一幀中目標(biāo)K在當(dāng)前幀發(fā)生分離，為避免誤判，需滿足條件：目標(biāo)K在匹配前的State為Merged，則表明確為遮擋目標(biāo)分離，應(yīng)將State更新為Split。

跟蹤結(jié)果如圖5所示。場(chǎng)景中有三個(gè)運(yùn)動(dòng)目標(biāo)，分別為目標(biāo)1（實(shí)線矩形框標(biāo)注）、目標(biāo)2（虛線矩形框標(biāo)注）、目標(biāo)3（點(diǎn)劃線矩形框標(biāo)注），目標(biāo)分別用不同標(biāo)號(hào)對(duì)應(yīng)到不同矩形框識(shí)別。表1給出了目標(biāo)1在一般情況下（狀態(tài)為Old）、遮擋情況下（狀態(tài)為Merged）及被遮擋后分離情況下（狀態(tài)為Split）的跟蹤數(shù)據(jù)。第472~476幀數(shù)據(jù)表明實(shí)際值、預(yù)測(cè)值間誤差較小，Kalman算法預(yù)測(cè)參數(shù)是可靠的。第477幀原目標(biāo)1被遮擋，其參數(shù)丟失，跟蹤過程則建立在預(yù)測(cè)值上。第514幀目標(biāo)1分離出，根據(jù)預(yù)測(cè)參數(shù)和實(shí)際值識(shí)別目標(biāo)1。

第470幀為一般情況下的跟蹤，即目標(biāo)未發(fā)生遮擋、消失等情況。第477幀目標(biāo)1，2部分遮擋，檢測(cè)到兩個(gè)目標(biāo)，目標(biāo)1由原目標(biāo)1，2形成，則原目標(biāo)1，2的信息丟失。跟蹤采用Kalman濾波器對(duì)原目標(biāo)的預(yù)測(cè)參數(shù)記錄目標(biāo)參數(shù)，直到第514幀，目標(biāo)1重新被檢測(cè)出，跟蹤預(yù)測(cè)參數(shù)恢復(fù)其丟失信息進(jìn)行匹配，得到正確的跟蹤結(jié)果。外接矩形框?yàn)閷?shí)線矩形框，屬于目標(biāo)1的運(yùn)動(dòng)序列，圖5中其余兩個(gè)目標(biāo)也建立了有效的跟蹤。

圖5跟蹤結(jié)果

表1目標(biāo)1外接矩形框（實(shí)線矩形框）中心點(diǎn)X坐標(biāo)值跟蹤數(shù)據(jù)

3結(jié)論

本文針對(duì)固定監(jiān)控場(chǎng)景實(shí)現(xiàn)了一種多運(yùn)動(dòng)目標(biāo)檢測(cè)、跟蹤方法，建立了基于梯度、色度的背景模型檢測(cè)目標(biāo)，詳細(xì)闡述了Kalman濾波器在預(yù)測(cè)目標(biāo)信息中的應(yīng)用，建立匹配矩陣分別針對(duì)不同運(yùn)動(dòng)狀態(tài)跟蹤，在目標(biāo)遮擋、暫時(shí)消失的情況下能較好地實(shí)現(xiàn)多個(gè)運(yùn)動(dòng)目標(biāo)跟蹤。

該算法將改進(jìn)的是：需要更為完整、準(zhǔn)確地分割前景目標(biāo)；在目標(biāo)匹配階段約束條件少并直接用矩形框代替物體（目標(biāo)符號(hào)化）；在復(fù)雜情況下的跟蹤，如視場(chǎng)中有四個(gè)以上的目標(biāo)、目標(biāo)運(yùn)動(dòng)情況復(fù)雜多變時(shí)，算法準(zhǔn)確度降低。下一步工作將在利用目標(biāo)顏色信息提高匹配算法精度等方面作進(jìn)一步研究。

參考文獻(xiàn)：

［1］S L Dockstader， A M Tekalp.Multiple Camera Fusion for Multiobject Tracking[C]. Proc. of IEEE Workshop on MultiObject Tracking， 2001.95102.

［2］S Khan， M Shah. Tracking People in Presence of Occlusion[C]. Taipei: Asian Conference on Computer Vision，1998.156161.

［3］Wren C， Azarbayejani A， Darrell T，et al. Realtime Tracking of the Human Body[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence，1997，19(7):780785.

［4］Karaulova I， Hall P， Marshall A. A Hierarchical Model of Dynamics for Tracking People with a Single Video Camera[C]. Bristol: British Machine Vision Conference， 2000.352361.

［5］Paragios N， Deriche R. Geodesic Active Contours and Level Sets for the Detection and Tracking of Moving Objects[J]. IEEE Trans. Pattern Analysis and Machine Intelligence，2000，22(3):266280.

［6］王栓，艾海舟，何克忠.基于差分圖像的多運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤[J].中國圖像圖形學(xué)報(bào)，1999，4(6):470474.

［7］L Marcenaro， M Ferrari， L Marchesotti，et al.Multiple Object Trac￣king under Heavy Occlusions by Using Kalman Filters Based on Shape Matching[C]. International Conference on Image Processing， 2002.341344.

［8］Stephen J McKenna， Sumer Jabri，Zoran Duric， et al. Tracking Groups of People[J]. Comput.Vis.Image Understanding， 2000，8(1):4256.

［9］馬頌德，張正友.計(jì)算機(jī)視覺——計(jì)算理論與算法基礎(chǔ)[M]. 北京:科學(xué)出版社，2003.133148.

作者簡(jiǎn)介：

萬琴(1980)，女，重慶萬州人，博士研究生，主要研究方向?yàn)橛?jì)算機(jī)視覺監(jiān)控、數(shù)字圖像處理；

王耀南（1957），男，教授，博導(dǎo)，主要研究方向?yàn)橹悄芸刂评碚撆c應(yīng)用、智能信息處理與融合、模式識(shí)別與圖像處理、智能機(jī)器人系統(tǒng)。

注:本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文