一種用于智能監(jiān)控的目標(biāo)檢測(cè)和跟蹤方法

摘 要：在對(duì)現(xiàn)有目標(biāo)檢測(cè)、跟蹤算法進(jìn)行分析對(duì)比的基礎(chǔ)上，設(shè)計(jì)并實(shí)現(xiàn)了一種簡(jiǎn)單有效的目標(biāo)檢測(cè)和跟蹤方案。首先提出了一種基于像素灰度歸類(lèi)和單模態(tài)高斯模型的背景重構(gòu)算法，能夠利用多幀包含前景目標(biāo)的場(chǎng)景圖像重構(gòu)準(zhǔn)確的背景模型。進(jìn)而以此為基礎(chǔ)采用背景減法進(jìn)行各幀中目標(biāo)的檢測(cè)，并選取形心作為匹配特征實(shí)現(xiàn)了場(chǎng)景中多個(gè)目標(biāo)的有效跟蹤。實(shí)驗(yàn)表明，該方法實(shí)現(xiàn)簡(jiǎn)單，無(wú)須事先提供背景圖像即可實(shí)現(xiàn)目標(biāo)的準(zhǔn)確檢測(cè)和跟蹤，其性能明顯優(yōu)于傳統(tǒng)基于時(shí)間平均背景模型的方法。

關(guān)鍵詞：目標(biāo)檢測(cè)； 目標(biāo)跟蹤； 背景重構(gòu)； 高斯模型； K均值聚類(lèi)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-3695(2008)08-2393-03

Object detection and tracking method for intelligent surveillance

WANG Su-yu1，2， SHEN Lan-sun1， LI Xiao-guang1

(1.Signal Information Processing Lab， Beijing University of Technology， Beijing 100022， China; 2.College of Electronic Information Engineering， Hebei University， Baoding Hebei 071002， China)

Abstract:This paper designed and realized a simple and effective object detection and tracking scheme， based on a review of the existed detection and tracking algorithms. At first， proposed a pixel intensity classification and the single Gaussian model based background reconstruction algorithm， which could provide an accurate background model through a sequence of scene images with foreground objects. Then used the background subtraction method for object detection， selected the center of the object as the matching feature for tracking of multi-objects among the sequence. Experimental results show that the proposed algorithm and scheme is simple to realize， and can detect and track the moving objects effectively， it shows obvious perfor-mance improvement compared with the traditional time-averaged background based method.

Key words：object detection; object tracking; background reconstruction; Gaussian model; K-means cluster

隨著現(xiàn)代社會(huì)監(jiān)控難度的增加，越來(lái)越多的領(lǐng)域?qū)鹘y(tǒng)意義上的視頻監(jiān)控提出了更高的要求，因此，新一代的智能視覺(jué)監(jiān)控技術(shù)^[1]得到了日益廣泛的關(guān)注。即賦予監(jiān)控系統(tǒng)觀察分析場(chǎng)景內(nèi)容的能力，使其更加智能化，能夠在無(wú)須人為干預(yù)的情況下，對(duì)攝像機(jī)拍錄的視頻序列進(jìn)行自動(dòng)分析，并及時(shí)作出反應(yīng)。智能監(jiān)控技術(shù)的發(fā)展，將在交通管理、公共場(chǎng)所監(jiān)控、安全生產(chǎn)和國(guó)家重點(diǎn)部門(mén)安防等方面發(fā)揮日益重要的作用。

在智能監(jiān)控系統(tǒng)中，運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤處于最底層，是各種后續(xù)高級(jí)處理如目標(biāo)分類(lèi)、行為理解等的基礎(chǔ)。運(yùn)動(dòng)目標(biāo)的檢測(cè)是指從監(jiān)控圖像中實(shí)時(shí)提取出目標(biāo)區(qū)域，而跟蹤過(guò)程則確定其在連續(xù)各幀中的運(yùn)動(dòng)軌跡。目前典型的目標(biāo)檢測(cè)算法主要包括背景減法、相鄰幀差法和光流法等^[2]。其中，背景減法通過(guò)將當(dāng)前幀圖像與事先存儲(chǔ)或?qū)崟r(shí)獲取的背景圖像相減確定目標(biāo)區(qū)域，能夠得到關(guān)于目標(biāo)的位置、大小、形狀等信息的完整描述，是攝像機(jī)靜止情況下運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)的首選方法。相鄰幀差法利用序列中連續(xù)兩幀或幾幀圖像間的差異進(jìn)行目標(biāo)的檢測(cè)和提取^[3]。該方法具有較強(qiáng)的自適應(yīng)性，但一般不能完全提取出所有相關(guān)的特征像素點(diǎn)，在運(yùn)動(dòng)實(shí)體內(nèi)容易產(chǎn)生空洞現(xiàn)象。光流法^[4]通過(guò)計(jì)算圖像序列的光流場(chǎng)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)，無(wú)須預(yù)先知道場(chǎng)景的任何信息，并可用于攝像機(jī)運(yùn)動(dòng)的情況。但算法復(fù)雜度較高，難以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。

運(yùn)動(dòng)目標(biāo)的跟蹤過(guò)程，就是選取目標(biāo)的有效描述，并在后續(xù)幀中搜索與該描述最匹配的目標(biāo)位置的過(guò)程。目前，常用的目標(biāo)跟蹤算法包括基于特征的方法、基于3-D模型的方法、基于活動(dòng)輪廓模型的方法等^[2]。其中，基于特征的方法通過(guò)各幀間運(yùn)動(dòng)目標(biāo)個(gè)體特征如周長(zhǎng)、面積、質(zhì)心、角點(diǎn)等的匹配實(shí)現(xiàn)跟蹤。該方法簡(jiǎn)單易于實(shí)時(shí)處理，且能夠?qū)崿F(xiàn)多個(gè)目標(biāo)的跟蹤，但受觀測(cè)視角的影響較大，跟蹤識(shí)別率較低。基于3-D模型和活動(dòng)輪廓模型的方法雖然從一定程度上提高了算法的跟蹤效果，但復(fù)雜度均較大，實(shí)時(shí)性差。

1 基于像素灰度歸類(lèi)和單模態(tài)高斯模型的背景重構(gòu)

背景模型的建立和更新是背景減法目標(biāo)檢測(cè)的關(guān)鍵。最簡(jiǎn)單的方法是直接選取不含前景目標(biāo)的場(chǎng)景圖像作為背景，但是這在多數(shù)場(chǎng)合難以獲得，且缺乏實(shí)時(shí)性，難以適應(yīng)場(chǎng)景中光照等情況的變動(dòng)。時(shí)間平均法是解決這一問(wèn)題的經(jīng)典方法，即對(duì)一段時(shí)間內(nèi)的連續(xù)多幀圖像求平均作為近似的背景圖像，但這種方法難免會(huì)將運(yùn)動(dòng)目標(biāo)混入其中，產(chǎn)生混合現(xiàn)象。近年來(lái)，背景模型的建立和更新得到了更為深入的研究，相關(guān)工作主要可分為兩類(lèi)^[5]，即基于模型的方法和基于重構(gòu)的方法。其中，前者首先對(duì)每個(gè)背景像素的灰度值建立相應(yīng)的參數(shù)模型，通過(guò)判斷未知像素是否符合該模型實(shí)現(xiàn)目標(biāo)的檢測(cè)，并可通過(guò)調(diào)整其參數(shù)實(shí)現(xiàn)模型的自適應(yīng)更新。所采用的模型主要包括單模態(tài)和多模態(tài)高斯模型^[6]。單模態(tài)高斯模型實(shí)現(xiàn)簡(jiǎn)單，但不能有效描述場(chǎng)景內(nèi)運(yùn)動(dòng)目標(biāo)和擾動(dòng)等對(duì)背景模型的影響。多模態(tài)高斯模型通過(guò)多個(gè)高斯分布的加權(quán)和表示每個(gè)像素的分布情況，如文獻(xiàn)[7]采用三個(gè)高斯模型分別對(duì)應(yīng)于場(chǎng)景中的背景、前景和陰影灰度，每個(gè)像素的灰度值采用三個(gè)模型的加權(quán)和來(lái)表示。文獻(xiàn)[8]進(jìn)一步提出K個(gè)高斯分布方法。可以看出，隨著高斯模型個(gè)數(shù)的增加，算法的復(fù)雜度也會(huì)隨之上升?；谥貥?gòu)的方法利用一組已獲取的觀測(cè)圖像，通過(guò)一定的規(guī)則選擇其中的部分像素重構(gòu)背景圖像。該方法能夠在場(chǎng)景中存在前景目標(biāo)的情況下重建單一的背景圖像，但目標(biāo)檢測(cè)過(guò)程中參數(shù)的設(shè)置需要靠經(jīng)驗(yàn)選取，缺乏統(tǒng)一的標(biāo)準(zhǔn)。另外，背景的更新過(guò)程也不夠及時(shí)。

本文在對(duì)上述兩類(lèi)背景模型的建立方法進(jìn)行總結(jié)分析的基礎(chǔ)上，提出一種基于像素灰度歸類(lèi)和單模態(tài)高斯模型的背景重構(gòu)方法。對(duì)于一組包含前景目標(biāo)的場(chǎng)景圖像，首先采用基于像素灰度歸類(lèi)的方法對(duì)各像素在該組圖像中的取值進(jìn)行分類(lèi)，選取與背景相關(guān)的灰度值采用單模態(tài)高斯模型進(jìn)行建模。該方法兼顧了兩類(lèi)背景建模方法的特點(diǎn)，不僅能夠利用包含前景目標(biāo)的多幀圖像，建立準(zhǔn)確的背景模型，而且實(shí)現(xiàn)簡(jiǎn)單，檢測(cè)門(mén)限參數(shù)具有明確的物理意義和統(tǒng)一的設(shè)置標(biāo)準(zhǔn)。

1.1 背景像素的選擇

背景像素的選擇引入了背景重構(gòu)的思想，僅選取連續(xù)多幀圖像中與背景圖像相關(guān)的像素灰度用于背景建模，而無(wú)須考慮運(yùn)動(dòng)目標(biāo)和擾動(dòng)等因素的影響。像素灰度歸類(lèi)方法的基本依據(jù)為背景在圖像序列中總是最經(jīng)常被觀測(cè)到的^[9]。其具體實(shí)現(xiàn)過(guò)程如下：

a） 任意選取一組監(jiān)控圖像中的K幀用于背景重構(gòu)。

b） 將圖像中每個(gè)像素點(diǎn)的灰度取值范圍（0～255）等分為N個(gè)區(qū)間。N的取值可根據(jù)前景目標(biāo)與背景之間的對(duì)比度確定，當(dāng)對(duì)比度較高時(shí)，目標(biāo)與背景較容易區(qū)分，可選取較小的N值以降低運(yùn)算量。通常N在10～25取值均能正確重構(gòu)背景^[4]。

c） 對(duì)于所選取的K幀圖像，逐像素計(jì)算各點(diǎn)所處的灰度區(qū)間，即

gk(x，y)=[fk(x，y)/(256/N)](1)

其中：fk(x，y)表示第k幀圖像中像素點(diǎn)(x，y)的灰度值；gk(x，y)為該像素點(diǎn)所處的灰度區(qū)間；[·]表示取整操作。

d） 統(tǒng)計(jì)各灰度區(qū)間像素點(diǎn)出現(xiàn)的頻率，確定每個(gè)像素點(diǎn)的最高頻率灰度區(qū)間gm(x，y)。

e） 選取灰度值位于相應(yīng)像素最高頻率灰度區(qū)間的像素點(diǎn)用于背景重構(gòu)，即

Bk(x，y)=1 if gk(x，y)=gm(x，y)

0 其他(2)

其中：Bk(x，y)=1表示該點(diǎn)可用于背景模型的重構(gòu)。

需要說(shuō)明的是，該方法在實(shí)際應(yīng)用中無(wú)須記錄過(guò)多的連續(xù)圖像幀進(jìn)行逐像素統(tǒng)計(jì)，只要等間隔采樣若干幀即可，并可以邊采樣邊丟棄。

1.2 背景模型的建立和更新

采用上述基于像素灰度歸類(lèi)的方法對(duì)參與背景重構(gòu)的像素進(jìn)行選擇處理后，所選取像素的灰度取值范圍比較集中，因此可直接采用單模態(tài)高斯模型進(jìn)行建模。對(duì)于背景圖像中的任一像素點(diǎn)（x，y），其灰度值bx，y的高斯分布函數(shù)可表示為

p(bx，y)=1/2πσ(x，y)e^{[bx，y-μ(x，y)]2/2σ2(x，y)(3)}

其中:均值μ(x，y)和方差σ(x，y)的估計(jì)公式為

μ∧(x，y)=∑K-1k=0fk(x，y)Bk(x，y)/∑K-1k=0Bk(x，y)(4)

σ∧(x，y)=∑K-1k=0[fk(x，y)Bk(x，y)]2/∑K-1k=0Bk(x，y)-μ2(x，y)(5)

其中：μ∧(x，y)和σ∧(x，y)分別表示相應(yīng)參數(shù)的估計(jì)值；fk(x，y)為第k幀圖像中像素點(diǎn)（x，y）的灰度值。背景模型的建立過(guò)程即利用式(4)(5)逐像素估計(jì)參數(shù)μ(x，y)和σ(x，y)的過(guò)程?？梢钥闯觯Ｐ偷木祱D像即為基于像素灰度歸類(lèi)背景重構(gòu)法^[5]所得的背景圖像，方差則給出了背景像素灰度的分散情況，為檢測(cè)參數(shù)的設(shè)置提供依據(jù)。

由于監(jiān)控場(chǎng)景中光照等因素的影響，背景模型不可能是一成不變的，而是需要在檢測(cè)過(guò)程中對(duì)其進(jìn)行及時(shí)更新。通常的做法是：在目標(biāo)檢測(cè)過(guò)程中判斷所檢測(cè)到的前景目標(biāo)區(qū)域的面積，若連續(xù)幾幀中目標(biāo)區(qū)域面積占總面積的比例均大于某一閾值（如80%），則認(rèn)為背景相對(duì)于當(dāng)前幀圖像存在較大變化，重新抽取圖像序列重構(gòu)背景。但是該方法中閾值的選擇需要根據(jù)經(jīng)驗(yàn)確定，缺乏一致的標(biāo)準(zhǔn)。而且模型的更新存在明顯的滯后現(xiàn)象。因此本文提出一種在目標(biāo)檢測(cè)過(guò)程中對(duì)背景進(jìn)行實(shí)時(shí)更新的方法，利用每一幀圖像中屬于背景區(qū)域的像素灰度值對(duì)當(dāng)前背景模型的參數(shù)進(jìn)行更新，其更新過(guò)程可表示為

μk+1(x，y)=[1-α×Bk(x，y)]μk(x，y)+α×Bk(x，y)fk(x，y)(6)

σk+1(x，y)={[1-α×Bk(x，y)]σ2k(x，y)+

α×Bk(x，y)[fk(x，y)-μk(x，y)]2}1/2(7)

其中:α為常數(shù)，反映了背景模型的更新速度。該方法能夠有效利用每一幀圖像中的背景像素，且有效避免了前景目標(biāo)的干擾，因而能夠?qū)崿F(xiàn)背景模型的準(zhǔn)確，及時(shí)更新。

2 目標(biāo)檢測(cè)

對(duì)于當(dāng)前幀圖像I(xiàn)k，運(yùn)動(dòng)目標(biāo)的檢測(cè)過(guò)程即判斷圖像中任意像素I(xiàn)k(x，y)是否服從式（3）所示的高斯分布的過(guò)程，令D(x，y)=[Ik(x，y)-μ(x，y)]/σ(x，y)，則目標(biāo)檢測(cè)過(guò)程可表示為

Tk(x，y)=k(x，y) if D(x，y)＞Th

255其他(8)

其中:Tk(x，y)為第k幀目標(biāo)圖像?？梢钥闯?，D(x，y)體現(xiàn)了像素灰度與背景模型的均值和方差的相對(duì)關(guān)系，與像素的絕對(duì)灰度值無(wú)關(guān)，因此閾值的設(shè)置標(biāo)準(zhǔn)更為統(tǒng)一。如取Th=6.0時(shí)，由標(biāo)準(zhǔn)正態(tài)分布表可得Φ(6.0)=0.999 999 999 01，即此時(shí)若D(x，y)＞Th，則該點(diǎn)以99.999 999 901%的概率不屬于背景，因而被判定為目標(biāo)點(diǎn)。

由于噪聲和擾動(dòng)的影響，采用上述算法直接得到的目標(biāo)圖像中可能會(huì)存在一定的目標(biāo)空洞和孤立噪聲。本文首先對(duì)所檢測(cè)到的目標(biāo)圖像進(jìn)行二值化處理；然后采用中值濾波去除圖像中存在的孤立噪聲，通過(guò)形態(tài)學(xué)膨脹操作填充目標(biāo)區(qū)域中存在的空洞；最后利用處理后的模板圖像到場(chǎng)景圖像中重新截取目標(biāo)區(qū)域，取得了較好的效果。

3 目標(biāo)跟蹤

綜合考慮算法的速度和性能，本文采用基于特征的方法實(shí)現(xiàn)多個(gè)運(yùn)動(dòng)目標(biāo)的跟蹤。選取形心作為匹配特征，對(duì)于給定的二值化目標(biāo)模板：

MT(x，y)=1if Tk(x，y)=Ik(x，y)

0其他(9)

目標(biāo)的水平、垂直形心坐標(biāo)分別為

xc=∑Mx=1∑Ny=1xMT(x，y)/∑Mx=1∑Ny=1MT(x，y)

yc=∑Mx=1∑Ny=1yMT(x，y)/∑Mx=1∑Ny=1MT(x，y)(10)

其中：M和N分別表示圖像在寬、長(zhǎng)方向的像素點(diǎn)數(shù)。

式（10）只適用于場(chǎng)景中存在單一目標(biāo)的情況，對(duì)于多個(gè)目標(biāo)的跟蹤，本文采用K均值聚類(lèi)^[10]方法求解多個(gè)目標(biāo)的形心。其具體實(shí)現(xiàn)步驟如下：

a） 首先設(shè)定最大可能目標(biāo)數(shù)K，任意選取目標(biāo)區(qū)域中的K個(gè)點(diǎn)作為初始形心坐標(biāo)(xk0，yk0)；

b） 對(duì)于第n次迭代，根據(jù)目標(biāo)像素點(diǎn)坐標(biāo)到各形心坐標(biāo)的均方距離將圖像中的所有目標(biāo)像素點(diǎn)分配給與其距離最近的目標(biāo)，重新求解各目標(biāo)的形心坐標(biāo)(xkn，ykn)；

c）若(xkn，ykn)=(xkn-1，ykn-1)，則停止迭代，否則返回b）；

d） 對(duì)形心距離較近的目標(biāo)進(jìn)行合并，認(rèn)為是一個(gè)目標(biāo)，并剔除總像素個(gè)數(shù)小于一定值的極小目標(biāo)，以進(jìn)一步排除孤立噪聲的影響。

特征的匹配過(guò)程即確定連續(xù)各幀圖像中目標(biāo)的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)目標(biāo)跟蹤的過(guò)程。連續(xù)兩幀中同一目標(biāo)產(chǎn)生的運(yùn)動(dòng)距離通常會(huì)小于其與鄰近目標(biāo)的距離，因此這里采用距離最近準(zhǔn)則，選取連續(xù)各幀中形心距離最近的目標(biāo)作為同一目標(biāo)進(jìn)行跟蹤，并進(jìn)一步對(duì)目標(biāo)間的最小距離進(jìn)行約束，若目標(biāo)與下一幀中所有目標(biāo)的最小距離仍比較大，則認(rèn)為該目標(biāo)在下一幀中已經(jīng)消失，不存在對(duì)應(yīng)目標(biāo)，以避免產(chǎn)生錯(cuò)誤的跟蹤路徑。對(duì)于連續(xù)兩幀中目標(biāo)個(gè)數(shù)不等的情況，采用距離最小的原則確定目標(biāo)間的對(duì)應(yīng)關(guān)系，剩余的目標(biāo)不進(jìn)行跟蹤。

4 實(shí)驗(yàn)結(jié)果

為驗(yàn)證算法性能，本文采用PETS 2000^[11]序列對(duì)其進(jìn)行了測(cè)試。實(shí)驗(yàn)中所用到的部分測(cè)試圖像如圖1所示。

4.1 背景模型的建立

實(shí)驗(yàn)中首先對(duì)背景模型重構(gòu)方法的性能進(jìn)行了測(cè)試，其實(shí)驗(yàn)結(jié)果如圖2第一行所示。其中，（a）為對(duì)全部100幀圖像采用時(shí)間平均法得到的背景圖像（第二行）；（b）為從100幀圖像中等間隔截取10幀采用本文方法重構(gòu)所得的背景模型的均值圖像?？梢钥闯觯捎脮r(shí)間平均法得到的背景圖像中存在明顯的混合現(xiàn)象，而本文方法能夠利用存在前景目標(biāo)的多幀場(chǎng)景圖像重構(gòu)純凈的背景，因而為進(jìn)一步的目標(biāo)檢測(cè)奠定了基礎(chǔ)。

4.2 目標(biāo)的檢測(cè)

進(jìn)一步利用圖2（a）所示的兩種背景模型對(duì)測(cè)試序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，其部分實(shí)驗(yàn)結(jié)果（第80幀）如圖2（b）。其中圖2（b）上下兩行分別為采用兩種背景模型直接檢測(cè)的結(jié)果，時(shí)間平均法的檢測(cè)門(mén)限取經(jīng)驗(yàn)值20，本文方法的閾值為6；圖2(c)為經(jīng)中值濾波和膨脹處理后得到的目標(biāo)圖像?？梢钥闯觯疚乃惴ㄋ⒌谋尘澳Ｐ蛯?duì)于實(shí)現(xiàn)更準(zhǔn)確的目標(biāo)檢測(cè)具有非常重要的意義，中值濾波和膨脹過(guò)程能夠有效地去除初始檢測(cè)結(jié)果中存在的空洞和孤立噪聲，提高檢測(cè)的準(zhǔn)確性。

4.3 目標(biāo)的跟蹤

對(duì)連續(xù)多幀圖像進(jìn)行目標(biāo)檢測(cè)后，以目標(biāo)區(qū)域的形心為匹配特征，采用最小距離準(zhǔn)則得到的跟蹤結(jié)果如圖2（d）所示?？梢钥闯?，本文方法能夠?qū)崿F(xiàn)運(yùn)動(dòng)目標(biāo)的準(zhǔn)確跟蹤。

5 結(jié)束語(yǔ)

本文針對(duì)智能監(jiān)控應(yīng)用中運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤問(wèn)題，提出一種基于單模態(tài)高斯模型的背景重構(gòu)方法，利用多幀包含前景目標(biāo)的場(chǎng)景圖像實(shí)現(xiàn)背景模型的重構(gòu)和及時(shí)更新；進(jìn)一步以此為基礎(chǔ)，以目標(biāo)區(qū)域的形心為匹配特征，采用幀間距離最小準(zhǔn)則實(shí)現(xiàn)了場(chǎng)景中多個(gè)目標(biāo)的跟蹤。實(shí)驗(yàn)結(jié)果表明，本文方法實(shí)現(xiàn)簡(jiǎn)單，能夠建立準(zhǔn)確的背景模型，有效避免了傳統(tǒng)時(shí)間平均法中存在的混合現(xiàn)象，并進(jìn)一步實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)的有效跟蹤，因而是一種簡(jiǎn)單而有效的目標(biāo)檢測(cè)和跟蹤方法，為智能監(jiān)控技術(shù)的進(jìn)一步開(kāi)發(fā)奠定了基礎(chǔ)。

致謝：北京工業(yè)大學(xué)電控學(xué)院03級(jí)自動(dòng)化專(zhuān)業(yè)董燕同學(xué)在畢業(yè)設(shè)計(jì)期間參與了本文的部分工作，在此表示感謝。

參考文獻(xiàn)：

[1]HU Wei-ming，TAN Tie-niu， STEVE M. A survey on visual surveillance of object motion and behaviors[J]. IEEE Trans on Systems， Man and Cybernetics-Part C: Applications and Reviews， 2004，34(3):334-352.

[2]王素玉，沈蘭蓀. 智能視覺(jué)監(jiān)控技術(shù)研究進(jìn)展[J]. 中國(guó)圖象圖形學(xué)報(bào)，2007，12（9）：1505-1514.

[3]宋磊，黃祥林，沈蘭蓀. 視頻監(jiān)控中的快速異常檢測(cè)與分析[J].高技術(shù)通訊， 2004，14(10):1-6.

[4]HORN B K P， SCHUNCK B G. Determining optical flow[J].Artificial Intelligence， 1981，17（1-3）:185-203.

[5]侯志強(qiáng)，韓崇昭. 基于像素灰度歸類(lèi)的背景重構(gòu)算法[J]. 軟件學(xué)報(bào)，2005，16(9):1568-1576.

[6]劉亞，艾海舟，徐光佑. 一種基于背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法[J]. 信息與控制，2002，31（4）：315-319.

[7]FRIEDAN N， RUSSELL S. Image segmentation in video sequences: a probabilistic approach[C]//Proc of the 13th Confe-rence on Uncertainty in Artificial Intelligence (UAI).San Francisco: [s.n.]，1997:175-181.

[8]STAUFFER C， GRIMSON W. Adaptive background mixture model for real-time tracking[C]//Proc of IEEE Computer Society Confe-rence on Computer Vision and Pattern Recognition.Colorado:[s.n.]，1999:246-252.

[9]KORNPROBST P， DERICHE R， AUBERT G. Image sequence ana-lysis via partial difference equations[J].Journal of Mathematical Imaging and Vision，1999，11(1):5-6.

[10]邊肇祺，張學(xué)工.模式識(shí)別[M].2版. 北京：清華大學(xué)出版社，2002.

[11]DAVID P， OUND Y， JAMES M F.PETS metrics: on-line performance evaluation service[C]//Proc of the 2nd Joint IEEE International Workshop on VS_PETS.Beijing:[s.n.]，2005:317-324.