复杂背景下的运动目标检测算法

合集下载

复杂背景条件下的红外快速运动小目标检测方法

ｐｏｐｅｏｉｆａｅｓｌａｔｏｖｎｇａｇｔｔｃｏｎｒｏｓｆｒｎｒｄｍａｌｓｍｒｆｉｔｒｅｄｅｅｔｕｎｒｏｐｌｘｂｃｒｕｎｔｍｐａｄｏａｎｈａａｔｒｓｉｓｎａｙｉｉｄｅｃｍｅａｋｇｏｄ．ｅｏｒｌｍｉｃｒｃｅｔａｌｓｓｉｃｗａｐｒｐｏｅｔｃｉｍｔｆａｅｅａｓｆｉａｅｓｏｓｄｏｏｎｆｒｈｅｒｍｓｒｌｏｍｇｗｈｃｃｎａｎｍａｌａｇｇｈｅ，ｔｗａｌｔａｋｔｗｅｅｐｆｅｔｉｉｈｏｔｉｓｌｒｅｔｎｈｅｔｖｅｅｐｃｅｓｒａｐｄＯｉｄｃｅｏｍｐｅｔｅｉａｅｎｔｄｆｅｅｔｃｌｓａｄｐｉｋ—ｕｐａａｔｔｒｅ，ｂｖｅｌｐｐｆｎｆｔｒＷａｕｅＯｆｎｄｔｅｓｌｔｒｅｏｓｈｍｇｉｏｉｒｎｓａｅｎｃｗｉａｇｔｏａｌｉｅｅｉｅＳｓｄｔａ，ｉｌｉｈｍｌａｇｔａ
（ｈｏｅｅｏｅｇｕＴｎ，ｅｇｕ２３５，ｈｎ）ＴｅＣｌｇｆＢｎｂａｋＢｎｂ３００Ｃｉａｌ
ＡｂｓｒｔＡｅｈｏｄｃｍｂｉｄｅｐｏａｄｍａｎｃｒｃｅｓｉｓａａｙｉｎｗａｅｅｃｅｒｎｆｔａｃ：ｍｔｏｎｅｔｍｒｌｏｉｈａａｔｒｔｃｎｓｓａｄｉｌｖｌｔｐａｋｔｔａｓｏｍａｗｉｈｐｉｌｎｅｆｌｅａｔｐｅｉｔｒＷＳｉ

复杂背景下运动目标检测方法

动矢量的统计特性提取出背景运动矢量来配准差分，实现了目标的检测。实验结果表明，此方法能有
效地检测复杂背景下的运动目标。
关键词：杂背景；运动目标检测；块匹配；运动矢量复中图分类号：Ｐ９Ｔ３１文献标识码：Ａ文章编号：０７２７（０７０ — ９２０１０ — ２６２０）６０９ — ４
（，ｓｔｔｏｐｃｎｌｃｏｉｓＣｉｅｅＡｃｄｍｙｏｃｅｃｓＣｅｇｕ６００，ｈｎ；２Ｇａｕｔｃｏｌｏｈｎｓ１ＩｔｕｅｆＯｔｓａｄＥｅｔｎｃ，ｈｌｓａｅｆＳｉｎｅ，ｈｎｄ１２９Ｃｉａ．ｒｄａＳｈｏｆＣｉｅｅｎｉｉｒｌｅ
Ｄｅｅｔｏｔｄｆｒｍｏｉａｇｔｉｏｔｃｉｎｍｅｈｏｏｖｎｇｔｒｅｎｃｍｐｅｎｒｎｅｔｌｘｅｖｏｍｎｉ
ＸｏｇｙＣＩＪｇｊＳｎＵＧｎ－ｉ，Ａｉ－，ＵＤｉｇ＇ｎｕ
ＡｃｅｆＳｉｎｅ，ｅｉｇ１０８，ｈｎｄａｍｙｏｃｅｃｓＢｉｎ０００Ｃｉａ）ｊＡｂｔａｔｎｔｓｍｅｈｏｓｒｃ：Ｉｈｉｔｄ，ａｄｐｖｈｅｈｌｓａｏｔｄｔｘｒｃｅｂｏｋｗｈｃａｓａｄｆｒｎａａｔｅｔｒｓｏｄｉｄｐｅｏｅｔａｔｔｌｃｓｉｈｉｈＣｎｔｎｏｈｔｎｃａａｔｒｓｉｆｔｃｒｕｎｓｎｔｔｎｉｆｒｔｎｏｗｏｓｑｅｔｌｆａｓｆｔｅｍｏｏｈｒｃｅｉｔｏｅｂａｋｇｏｄｕｉｇｈｅｍｏｏｎｏｍａｏｆｔｅｔｅｕｎａｒｍｅｏｉｃｈｉｉｈｉｉｇ．Ｂｌｃａｃｎｓａｐ￣ｄｔａｈｂｌｋｔｓｍｔｔｔｏｅｔｒｍａｅｏｋｍｔｈｇｉｐｅｏｅｃｏｏｅｔａｅｉｍｏｎｖｃｏ．ＡｎｅｅｍｏｏｅｔｒｉｃｉｓｉｄｔｎｔｔｎｖｃｏｈｈｉｏｔｅａｋｏｎＣｂａｈｅｅｂｓｄｎｈｅｔｔｔｃａａｔｒｓｉｏｔｅｆｈｂｃｇｕｄａｒｎｅｃｖｄａｅｏｔｓａｓｃｈｒｃｅｉｔｃｆｈｍｏｏｖｃｏｓｆｔｅｉｉｉｉｔｎｅｔｒｏｈｂｏｋ．Ａｔｌｓ，ｔｅｍｏｉｔｒｅｉｄｔｃｅａｔｒｉｇｒｇｓａｏａｄｄｆｅｅｃｏｅａｏｌｓｃａｔｈｖｎｇａｇｔｓｅｅｔｄｆｅｍｅｅｉｔｔｎｎｉｒｎｅｐｒｔｎ．ａｒｉｆｉＥｘｅｉｎａｅｕｔｓｏｔａｅａｇｒｔｍｒｆｉｉｎｌｅｅｔｇｔｅｐｒｍｅｔｌｒｓｌｓｈｗｔｔｏｈｈｈｌｉｗｏｋｓｅｆｃｅｔｉｄｔｉｍｏｉｇｔｒｅｃｍｐｅｙｎｃｎｈｖｎａｇｔｉｏｎｌｘｅｖｒｎｅｔｎｉｏｍｎ．Ｋｅｒｓ：Ｃｏｐｅａｋｏｎｙｗｏｄｍｌｘｂｃｇｕｄ；Ｍｏｉｇｔｒｅｅｅｔｇ；Ｂｌｋｍａｈｎｒｖｎａｇｔｄｔｃｎｉｃｏｔｉｇ；Ｍｏｏｅｔｒｃｉｔｎｖｏｃ

复杂条件下的运动目标检测方法研究综述

用到实时的视频图像处理中。以上目标检测的常用方法，于本文所提及对的复杂条件均不能完全适用。所以对于复杂条件
和理解的奠定基础。目前，动目标检测方法主运
收稿日期：０８— ３—１２００６作者简介：张森悦（９９一，，宁沈阳人，师，士研究生，１７）女辽讲硕主要研究方向：图像处理、机器视觉，Ｅ—ｍａ：ｔｒ７６．Ｏ。ｉｘｌ＠１３Ｃｒｌｅ２ｎ
指出了方向。
关键词：复杂条件；目标检测；光照变化；背景干扰
中图分类号：Ｐ９Ｔ３１文献标识码：Ａ
运动目标检测，就是检测视频序列图像中是否存在相对于整幅场景图象运动的物体，目前被
广泛应用于安全监控、视频压缩编码、通监测等交
取运动目标。这种方法是最简单最直接的方法，
点问题之一。目前常用的运动目标检测技术主要
有三种：景减除法、差法和光流法。Ｔｙｍ背帧ｏａａ
在文献［］４中列举了一个复杂条件（场景）大体上所涉及的问题，括：包背景中的物体发生运动；由
小的情况。光流法是目前研究比较多的方法，ａｏＢｒｎ在ｒ
１目标检测的常用方法
运动目标检测的目的是为了找到产生运动的区域，测出来的运动区域将为后续的行为分析检

一种复杂背景下的运动目标检测方法

Байду номын сангаас
（）背景中物体的运动，２比如摇摆的树叶、天空云
的漂移、飘动的旗帜以及下雨、下雪等．
（）前景与背景的转化，３即某个物体由运动转为
静止或由静止转为运动（汽车的停止或运动）导致如而
图１视频监控流程
关键词：背景模型；目标检测；杂背景；景更新复背中图分类号：Ｐ９．１Ｔ３１４文献标志码：Ａ文章编号：０８３Ｘ２１）１０３．３１０ —５６（０００。０８０
ＭｏｉｂｅｔｅｅｔｎＢｓｄｏｏｌａｋｒｕｄｖｇＯｊｃＤｔｃｉａｅｎＣｍｐｘＢｃｇｏｎｎｏｅ
（江水利水电专科学校，江杭州浙浙３０１）１０８
摘
要：出一种复杂背景下的运动目标检测方法．提它根据背景运动情况下，素与它领域之间的相关性对实行运动目像
标的检测，消除由于背景运动所造成的错误检测，并采用自适应背景更新方法，高算法的稳定性和可靠性．过实验提通验证，算法对光照变化、本背景运动、前景和背景互化有很强的适应能力．
ｃａｇａｌｃｇｏｄｈｎｅｂｅｂｋｒｕ．Ａａｔｅｂｃｇｏｎｐａｉｇｉｄｐｅｏｉｒｖｈｔｂｌｙａｄｒｌｂｌｙｏｅａｏｉｍ．Ｅｐｒｎａｎｄｐｉｋｒｕｄｕｄｔｓａｏｔｄｔｍｐｏｅｔｅｓｉｔｅｉｉｔｆｔｇｒｈｖａｎａｉｎａｉｈｌｔｘｅｍｅｔｉｓｏｖｒｌｉｅｔａｅｏｔｔｈｔｔｅｍｅｏｓｅｅｔｅｉｉｅｓｌｍｉａｉｎｌｈ — ｈｎｅｌｃｇｏｄａｄｉｔｒｒｎｉｎｓｅａｄｏｓｅｍｓｄｍｎｒｅｔａｔｄｉｆｃｖｎｄｖｒｅｉｕｎｔ，ｉｔｃａｇａｅｂｋｒｕｎｅ－ａｓ— ｅｖｒｓａｈｈｉｌｏｇｂａｎｎｔ

视频监控中的运动目标检测与跟踪

视频监控中的运动目标检测与跟踪随着科技的不断发展，视频监控系统在我们生活中起到了越来越重要的作用。

其中，运动目标检测与跟踪是视频监控系统中的关键技术之一。

本文将详细介绍视频监控中的运动目标检测与跟踪的原理和应用。

在视频监控系统中，运动目标指的是图像序列中不断变化的区域，例如人、车辆等。

而运动目标检测与跟踪则是指在视频中自动识别和跟踪这些运动目标的过程。

首先，运动目标检测是指在视频序列中找出运动目标所在的位置。

常见的运动目标检测算法包括帧间差、光流法和背景建模等。

帧间差方法通过比较连续帧之间的像素差异来检测目标的运动。

光流法则利用像素间的灰度变化来估计运动目标的移动。

背景建模则通过建立静止背景图像来检测运动目标。

其次，运动目标跟踪是指在检测到的运动目标中，跟踪其运动轨迹并实时更新位置信息。

常见的运动目标跟踪算法包括卡尔曼滤波器、粒子滤波器和相关滤波器等。

卡尔曼滤波器通过预测和观测更新的方式来估计目标的位置。

粒子滤波器则通过在候选区域中采样来估计目标的位置。

相关滤波器利用目标模板和候选区域之间的相关性来跟踪目标。

在实际应用中，运动目标检测与跟踪技术被广泛应用于视频监控系统中。

首先，它可以用于实时监测人员和车辆的行为，以便及时发现异常情况。

例如，当有人携带危险物品进入监控区域时，系统可以立即发出警报并采取相应措施。

其次，它可以用于交通管理系统中，监测交通流量和违规行为。

例如，当有车辆逆向行驶或超速行驶时，系统可以自动拍摄照片或录像作为证据。

此外，运动目标检测与跟踪技术还可用于视频分析和智能监控系统中，为用户提供更加智能的安防服务。

然而，运动目标检测与跟踪技术也存在一些挑战和局限性。

首先，复杂的背景和光照变化会对运动目标检测产生干扰。

例如，当目标混杂在复杂的背景中时，算法往往会出现误检测现象。

其次，目标遮挡和形状变化也会对运动目标跟踪产生困难。

例如，当目标部分被其他物体遮挡时，算法往往会失去目标的轨迹。

运用隔帧模板匹配算法检测复杂背景下运动目标

ｒｃｇｚｎｅｏｎｉｉｇ．Ｔｈｅｍｅｈｄｓｃｅｓｕｌｅｃｍｅｏｍｐｅａｃｌｔ，ｔｅｃｎｓｍｉｇａｄｉｄｑａｅｉｔｏｕｃｓｆｌｏｖｒｏｙｓｃｌｘｃｌｕａｉｏｎｉ — ｏｕｎｎｎａｅｕｔｎｍ
（．汉职业技术学院通信工程系，湖北武汉４０７；２电子科技大学物理电子学院，四川成都６０５）１武３０４．１０４
摘要：提出一种用于复杂背景下实时识别运动目标的新方法，该方法首先利用预处理滤除大部分灰度较低的背景和杂波，然后再采用不同间隔的序列模板分别进行二次误差匹配并构成并行结构来识别目标。该方法成功地克服了传统的模板匹配法计算量大，耗时多的不足，并使整个系统能够探测到静止甚至速度较大的运动目标，且在部分被遮挡甚至偶尔目标失锁的情况下依然能较好地跟踪。仿真结果也表明了该方法的有效性。关键词：对比度；隔帧模板匹配；红外图像；二次误差匹配
维普资讯
第３卷第１技术
ＩｆａｅｅｃｏｌｙｎｒｒｄＴｈｎｏｇ
０＿０Ｎｏ．ｌ３１
Ｊｎ２ｏａ．ｏ８
运用隔帧模板匹配算法检测复杂背景下运动目标
强世锦，申金娥，荣健
ｔａｉｉｎｌｔｍｐｌｔｔｈｎｉｋｓｅｔｅｓｓｅｄｔｃｔｔａｙｏｖｎｇｔｇｔ，ｔｃｎｈａｅａｇｏｒｄｔｏａｅａｅｍａｃｉｇ．ｔｍａｅｎｉｙｔｍｅｅｔｓａｉｒｒｍｏｉａｅｓｉａｖｏｄｒｏｎｒｒｃｉｇｗｈｅｈｔｇｔｗａｒｉｌｙｂｓｕｅｎｖｎｂｏｋｄｃａｉｎｌｙ．Ｔｈｓｍｕｌｔｏｅｕｌｔａｋｎｎｔｅａｅｓｐａｔｌｏｃｒｄａｄｅｅｌｃｅｏｃｓｏａｌ，ｒａｅｉａｉｎｒｓｔｓｉｄｃｔｈｔｔｅｍｅｈｄｉｅｓｂｅｎｉａｅｔａｈｔｏｓｆａｉｌ．Ｋｅｒ：ｃｔａｔｇｅｓｉｃｔｎｏｓｆａｅｙｗｏｄｓｏｎｒｓｒｅ；ｄｓｏｎｉｕｕｒｍｅｔｍｐｌｔａｃｉｇ；Ｉｆａｅｍａｎｇ；ｔｃｒｏｒｍａｃｄｅａｅｍｔｈｎｎｒｄｉｇｉｒｗｉｅｅｔｈ

《2024年运动目标检测算法的探讨》范文

《运动目标检测算法的探讨》篇一一、引言运动目标检测算法是计算机视觉领域中一项重要的技术，广泛应用于智能监控、智能交通、人机交互等众多领域。

随着深度学习和人工智能的快速发展，运动目标检测算法得到了广泛的研究和应用。

本文旨在探讨运动目标检测算法的基本原理、发展现状以及未来趋势。

二、运动目标检测算法的基本原理运动目标检测算法主要通过视频序列中的图像信息，利用计算机视觉技术，实现对运动目标的检测和跟踪。

其基本原理包括背景建模、前景提取、目标跟踪等步骤。

1. 背景建模：背景建模是运动目标检测的基础，其目的是建立背景模型，以便区分前景和背景。

常用的背景建模方法包括统计方法、学习方法和混合方法等。

2. 前景提取：前景提取是通过比较当前帧与背景模型，提取出运动目标的过程。

常用的方法包括帧间差分法、光流法、背景减除法等。

3. 目标跟踪：目标跟踪是在检测出运动目标后，对目标进行跟踪的过程。

常用的跟踪方法包括基于特征的跟踪、基于模型的跟踪和基于深度学习的跟踪等。

三、运动目标检测算法的发展现状随着深度学习和人工智能的快速发展，运动目标检测算法得到了广泛的研究和应用。

目前，主流的运动目标检测算法包括基于传统计算机视觉的方法和基于深度学习的方法。

1. 基于传统计算机视觉的方法：传统的方法主要依靠图像处理技术和计算机视觉算法来实现运动目标的检测和跟踪。

这些方法在处理简单场景时效果较好，但在复杂场景下易受光照变化、阴影、噪声等因素的影响。

2. 基于深度学习的方法：深度学习方法在运动目标检测中取得了显著的成果。

通过训练深度神经网络，可以实现对复杂场景下运动目标的准确检测和跟踪。

目前，基于深度学习的运动目标检测算法已经成为研究热点，并取得了许多重要的研究成果。

四、常见运动目标检测算法的探讨1. 光流法：光流法是一种基于光流场的目标检测方法。

它通过计算像素点的运动矢量来检测运动目标。

光流法具有较好的抗干扰能力，但在处理大范围运动和复杂场景时效果不佳。

一种复杂背景下运动小目标的检测方法

收稿日期・０６０９２０６２
基金项目・国家自然科学基金（０３００和６４５２）６３４１０７０９。
２背景空间滤波预处理
图像中的小目标点与背景对比度较差，图
像边缘模糊，噪声较大，因此必须提高其对比
作者简介。王彤超（８一）１０９，男，宁夏人，国防科技大学硕士，研究生，主要研究方向为小目标检测及图像处
维普资讯
文章编号ｔ１７—７５２０）２０１３６２８（０６１— ０— ８００
一
种复杂背景下运动小目标的检测方法
王彤超，吴琼玉，蔡宣平
（国防科技大学电子科学与工程学院，湖南长沙４０７）１０３
摘要：本文将小目标的帧间信息和光流法紧密联系起来，把小目标的检测分为小目标的预处理、帧问差分和使用金字塔迭代ＬｃｓＫｎｄｕａ— ａａｅ的光流法确定目标三个步骤进
行。实验结果表明，该方法能够有效地检测运动小目标。
ＷＡＮＧＴｎ — ｈｏＷＵＱｉｎ－ｕＣａ — ｉｇｏｇｃａ，ｏｇｙ，ＡＩＸｕｎｐｎ
（ｃｏｌｆｌｔｎｃｃｎｅｎｎｌｅｒｇＮｔｎｌｎｖｒｔｆｅｎｅｅｈｏｇ，ＳｈｏｏｅｒｉＳｉｃｄＥｇｅｎａｉａＵｉｓｙｏｆｃｃｎｌｙＥｃｏｅａｎｉｏｅｉＤｅＴｏ
Ｃａｇｈ１０３Ｃｉａｈｎｓａ４０７，ｈｎｊ

复杂背景环境下运动目标的检测算法研究

实现了运动目标物的精确提取。实验证明．方法较传统的背景相减法有明显的提高．识别精度上该在
也能达到较满意结果
关键词：运动目标检测；背景相减：统计直方图；零均值归一化互相关
ｆｃｏｕｈａｍｂｅｔｌｈｆｃｅｄａｂｃｓｅｏＭｅｎｎｒａｉｄｃｏｓｃｒｅａｉｎｍｅｈｄｔｃｉｖｈｅｅｔｎｏｖｎｒｅｓａｔｒｓｃｓａｉｎｉｔａｅｔｔｒｗａｋ，ａｚｒａｏｓｇｈｍｌｅｒｓ — ｏｒｌｔｔｏｏａｈｅｅｔｅｄｔｃｉｆｍｏｉｇｔｇｔｚｏｏａ
ｍｏｅｎｆｈｘｒｃｉｎｏｅｔｒｅ．ｘｅｍｅｔｈｖｒｖｄｔａｉｍｅｈｄｗｉｒｒｄｔｎｌａｋｏｎｕｔｃｉｎｓｇｉｃｎ — ｖｍｅｔｏｅｅｔｔｆｔａｇｔＥｐｒｎｓａｅｐｏｅｈｔｔｓｔａｏｈｉｈｔｏｔａｍｏｅｔａｉｏａｃｇｕｄｓｂｒｔｉｎｆａｔｈｉｂｒａｏｉ
ｏｅｊｄｅｉｐｏｏｅ．ｔｈａｅｔｅｗｓｈｕｕａｉｉｏｒｍｍｔｏｂａａｉａｔｈｅｈｌｔａｈｅｅａｐｅｉｎｔｇｓｒｐｓｄＡｅｓｍｉ，ｅｕｅｔｅｃｍｌｖｈｔａｅｈｄｔｏｔｉａｓｔｆｃｒｔｒｓｏｏｃｉｒｃｅｈｕｔｍｔｅｓｇｏｎｓｏｙｄｖｓ

复杂光照条件下的运动目标检测

科技与创新┃Science and Technology&Innovation ·60·2021年第06期文章编号：2095－6835（2021）06－0060－02复杂光照条件下的运动目标检测王杰，陈宁，李潇峥，李旭亮（浙江科技学院机械与能源工程学院，浙江杭州310023）摘要：为了解决视频目标检测中光照变化对目标检测产生的影响，提出了一种考虑光照变化的运动目标检测方法。

首先确定光照变化的强度并进行分类，其次将图片均匀分割成9块区域并计算光照强度均值，最后根据相邻帧光照强度变化量进而改变混合高斯模型的个数和学习率的大小。

实验结果表明，该方法与传统混合高斯模型相比在不同光照条件下均具有较好的检测效果。

关键词：复杂光照；目标检测；混合高斯；学习率中图分类号：TP391.41文献标志码：A DOI：10.15913/ki.kjycx.2021.06.020在图像分析与处理中，人们更希望获取其感兴趣区域。

而常用的方法就是对图像进行处理，突出有效目标去除无用的信息[1]。

目前，常用的运动目标检测方法有帧间差分法、光流法、背景差分法等[2]，但这些方法对光照变化场景中的目标图像处理效果较差，存在目标漏检、误检等诸多缺点。

针对上述问题文献[3]采用自适应学习率的混合高斯模型进行背景建模，该方法可以一定程度上解决光照突变带来的影响。

文献[4]采用边缘描检测和RGB颜色信息相结合的方式对前景和背景进行分割，进而实现目标检测。

文献[5]根据最近观察到的像素值的历史值进行背景建模，随着时间的推移逐渐更新背景。

文献[6]改进ViBe的视觉背景提取算法，根据光照变化的不同做出相应改进，提升了算法对光照变化的鲁棒性。

上述方法在不同程度上解决了光照变化的影响，但算法存在计算量大、实用场景受限、检测不完整等问题。

基于以上学者研究存在的问题，混合高斯背景建模相对于其他检测方式，可以更有效地检测出光照变化区域的运动目标[7]。

复杂背景下红外运动点目标检测算法研究

维普资讯
第５期
李正周等：杂背景下红外运动点目标检测算法研究复
ｉｎｆａｅｍａｅｓｑｅｃｔｏｐｌｘｂｃｇｏｎｎｉｒｒｄｉｇｅｕｎｅｗｉｈｃｍｅａｋｒｕｄ
Ｌｈｎ —ｈｕ，ＤＯＮＧｎ —ｉＩＧａｇＩＺｅｇｚｏＮｅｇｌ，ＪＮｎ
结果表明该算法能够较大程度提高红外图像的信噪比，效地检测和跟踪点目标，有并且能够解决目
标丢失以及跟踪过程中出现目标的问题。
关键词：
点目标检测；卡尔曼滤波；形态学滤波；图像流分析；假设检验
Ｋｅｒ：ｙｗｏｄｓ
ＰｏｉｔｔｒｅｔｃｉＫａｍａｉｔｒＭｏｐｌｙｆｌｅｉＩｇｅｆｏｎａｇｔｄｅｅｔｏｎ；ｌｎｆｌｅ；ｒｈｏｏｇｉｔｒｎｇ；ｍａｌｗａａｙｓｓ；ｎｌｉＨｙｔｔｃｌｔｓｐｏｈｅｉａｅｔ
－
Ｒ－
李正周，能力，董金
钢
（国科学院光电技术研究所，中四川成都６００）１２９
摘要：论了复杂背景下低信噪比运动点目标的检测和跟踪问题，出了基于卡尔曼滤波理论讨提
的背景预测、学形态学膨胀累加、数图像流航迹关联和二级并行假设检验的点目标检测方法。实验
Ａｂｔａｔｓｒｃ：Ｄｅｅｔｏｏｓｇｌｎｏｓａｉｍａｌｅｅｉｔｍｏｖｎａｇｅｎｔｅｃｎｄｉｉｎｔｃｉｎｏｆｌｗｉｎａｉｅｒｔｏｓｌｖｎｐｏｎｉｇｔｒｔｉｈｏｔｏｏｆｃｍｐｌｃｔｄｂｃｒｕｎｄｉｉｃｓｅ．Ａｅａｐｒａｈｂａｅｌｎｆｌｅ，ｍａｈｅｔｃｌｏｉａｅａｋｇｏｓｄｓｕｓｄｎｗｐｏｃｓｄｏｎＫａｍａｉｔｒｔｍａｉａｍｏｐｈｏｇｙ，ｍｏｉｎｌｉｎｄｔｔｇｅｈｙｏｔｅｉｅｔｎｏｄｔｃｎｄｔａｋｐｉａｇｅｎｒｏｌｔｏｎａａｙｓｓａｗｏｓａｐｈｓｓｔｓｉｇｔｅｅｔａｒｃｏｎｔｔｒｔｉｓｃｏｎｔｏｎｉｒｓｎｔｄ．ＴｈｘｒｍｅｅｕｔｔｅｌＩｉｇｅｅｃｈｏｔｔｈｅｕｈｃｄｉｉｓｐｅｅｅｅｅｐｅｉｎｔｒｓｌｓｗｉｈｒａＲｍａｅｓｑｕｎｅｓｗｈａｔｐｒｐｏｅｅｈｏａｒａｌｍｐｏｖｈｏｓｄｍｔｄｃｎｇｅｔｙｉｒｅｔｅＳＮＲ，ａｆｅｔｖｌｅｅｔａｄｔａｋｔｅｍｏｉｉｎｄｅｆｃｉｅｙｄｔｃｎｒｃｈｖｎｇｐｏｎｔｔｒｔ．ＩａｓｃａｌｉｓｖｅｔｏｂｅｈｔｔｅｔｒｅｓｍｉｓａｗａｇｔｃｒｄｕｉａｇｅｓｔｃｎｅｐｅｉｌｙｄｓｏｌｈｅｐｒｌｍｓｔａｈａｇｔｓｎｄｎｅｔｒｅｓＯｃｕｒｎｇｔｅｅｔｎｎｒｃｎｇｈｅｄｔｃｉｇａｄｔａｋｉ．

复杂场景下多运动目标遮挡跟踪方法

复杂场景下多运动目标遮挡跟踪方法章节一：引言- 研究背景和目的- 研究意义和价值- 困难和挑战章节二：相关工作- 多目标跟踪方法综述- 常见的遮挡跟踪方法- 各自的优缺点章节三：多运动目标遮挡跟踪框架设计- 框架总体描述- 遮挡检测和遮挡分析- 目标状态预测和修正章节四：实验及结果分析- 数据集和评价指标- 比较实验和结果- 引入复杂场景的实验结果章节五：结论与展望- 本文研究的重要性和意义- 总结本文的工作及成果- 展望未来的研究方向，提出新的探索点注：以上提纲仅为参考，实际撰写时需要具体情况具体分析，更具体的条目也可以增加或者删减。

第一章：引言随着社会发展，无人车、智能家居等需求不断涌现，对多目标跟踪技术提出了新的要求。

特别是在复杂场景下，一些目标往往会发生遮挡，这会对多目标跟踪算法的精度和稳定性造成很大的挑战。

因此，在多目标跟踪领域中，如何解决多运动目标遮挡跟踪问题，成为了研究的一个重要方向。

本论文旨在提出一种针对复杂场景下多运动目标遮挡跟踪的新方法，并对其进行实验验证。

本章节首先介绍了研究背景、目的和意义，接着在此基础上探讨困难和挑战。

1.1 研究背景和目的目前，随着物联网技术的快速发展，人们对于自动驾驶、智能家居、无人仓库等场景的需求日益增加，而多目标跟踪技术正是这些场景中不可或缺的一部分。

多目标跟踪技术可以对复杂场景下的多个目标进行实时定位和跟踪，为智能化设备提供高效的支持。

然而，在实际情况中，多目标跟踪面临着许多困难和挑战，例如光照变化、遮挡和目标的遮挡等。

特别是在目标遮挡场景下，不同目标的状态会受到严重的影响，从而导致跟踪精度急剧下降。

因此，如何针对这一问题提出一种新的多目标遮挡跟踪方法，成为了本研究的主要目的。

1.2 研究意义和价值目前，多目标跟踪技术已经广泛应用于各种领域中，如智能安防、智能交通和机器人等。

本论文的研究成果不仅能够提高多目标跟踪算法在各个领域中的应用效果，还能为相关企业和机构提供技术支持和更好的应用场景。

运动目标在复杂背景中的检测

１引言运动目标检测是计算机视觉领域的一个重要的研究课题，它在交通状况监控、停车场调度监控、事故检测、自动导航等系统中都有广泛的应用前景。运动目标分割的目的是从序列图像中将运动目标的变化区域从背景中提取出来。运动目标的有效分割对于目标识别、跟踪和行为的理解等后期的处理是非常重要的。但是，受背景的复杂性影响，例如背景的亮度随时间的改变、背景灰度的非均匀分布或者背景灰度变化范围大等等，运动目标的有效分割事实上是项比较困难的工作。特别是当背景灰度和运动目标的灰度相近时（低对比度条件下）提取，运动目标的难度更大。近年来，国内外学者对视频图像的运动目标检测进行了许多研究，比较常用的方法有光流场法和图像差分法。基于光流场的方法计算实时性和实用性较差，图像差分法又分基于背景差分的方法和基于帧间差分的方法，前者定位精确、速度快，但缺乏合理的背景更新方法；后者可以提取出物体的运动信息，但由于相对运动与物体位置并非完全一致，存在检测出的运动目标位置不精确，物体在运动方向上被拉
维普资讯 http://www.பைடு நூலகம்
科』苑论ｊ谈
科
运动目标在复杂背景中的检测
姜涛问海亮
摘外序列图像的特点，出了一种实用的运动目标检测算法。首先，提通过ｃｎｙａｎ边缘检测算法，对输入图像进行边缘检测，然后把相邻两帧边缘图像进行场景对准，计算出相应的场景平移参数，根据这些参数，平移帧图像后做差分处理。在残差图中，据局部熵的图像分割法，图像进行二值化像根对处理，最终获得了比较完整的运动目标。实验表明，这种方法是有效的，且性能良好。关键词：动目标；杂背景；差法；对比度运复帧低

一种改进的适用复杂场景的运动目标检测算法

ＴＡＮＨｏｇ—ｎｎ，ＪＡＫｅ—ｂｎＩｎｉｇＩｉ
（ｏｅｅｏｌｔｎｃＩｆｒａｏＣｌｇｆｅｒｉｎｏｍｔｎ＆ＣｎｒｌｎｉｅｒｇＢｉｎｎｖｒｔｏＴｃｎｌｙｅｉ０１４ＣｉａｌＥｃｏｉｏｔｇｅｎ，ｅｉｇＵｉｅｉｆｅｈｏｇ，Ｂｉｎ１０２，ｈｎ）ｏＥｎｉｊｓｙｏｊｇ
ｎｉｄｅｇａｓｕｈｒｏｅｆｒｇｕｄｏｊｃｃｎｂｇｅａｄｃｍｐｅｌｂｌｎｅｅｇｐｉｌ，ｏｅａｄｅｇｐ．Ｆｒｅｒ，ｏｅｏｎｂｅｔａｅｓｒｇｔｏｌｅｙｆｌｇｔｄｅｓｎｔｍｒｅｅｔｙｉｉｈｍａ．Ｆｎｌａｙ
声和填补空洞，获得完整理想的运动目标区域。实验结果证明，相对于传统的帧差与背景差分检测算法，有效地克服阴能够
影和光扰所产生的噪声问题，以在复杂背景下准确地检测分割出运动目标，可并满足实时性要求。关键词：运动目标检测，背景边缘检测差，颜色偏差，阴影去除
ｂｃｇｏｎｄｅ— ｃａａｔｒｔｉｅｅｃｏｉｉｇｉｔｒ— ｆｍｅｄｆｒｎｅａｄｃｒｍａｉｉｉｔｒｏｏｒｄｃａｋｒｕｄｅｇ — ｈｒｃｅｓｉｄｆｒｎｅｃｍｂｎｎｎｅ・ｒｉｃａｉｅｅｃｎｈｏｔｔｄｓｏｔｎｔｅｕｅｆｃｙｉ
中图分类号：Ｐ１．Ｔ３７４文献标识码：Ｂ
ቤተ መጻሕፍቲ ባይዱ
ＩｐｏｅｇｒｔｍｆＭｏｉｎＤｅｅｔｎｉｍｐｉａｅｖｒｎｎｍｒｖｄＡｌｏｉｈｏｔｏｔｃｉｎＣｏｏｌｔｄＥｎｉｏｍｅｔｃ

复杂背景下运动目标的检测与跟踪

第36卷，增刊、b1．36Suppl eⅡ1ent红外与激光工程I n矗勰d and La se r Engi nee r i ng2007年9月S印．2007复杂背景下运动目标的检测与跟踪李平岐1，陈万春1，邢晓岚2(1．北京航空航天大学宇航学院，北京100083；2．空军装备研究院总体所，北京100076)，摘要：比较了H S和L K两种光流计算方法的性能，并针对复杂背景的情况，提出了一种基于LK光流柱状图和c釉v边缘检测融合技术的运动目标检测跟踪方法。

该方法分三步：首先，利用LK光流柱状图信息完成运动目标的检测，并获得目标分割图；然后用canny边缘检测算子的检测信息并融合目标分割图信息获得细化的目标边缘图；最后根据检测结果计算目标形心。

实验表明，该方法能有效解决复杂背景下运动目标的检测与跟踪。

关键词：目标检测；复杂背景；光流；柱状图；C aI l ny算子中圈分类号：V448．25+1文献标识码：A文章编号：1007．2276(2007)增(探测与制导)．0182．05 D e t ec t i on and t r acl【i ng of m oV i ng obj ect i n com pl e x backgr oundL I Pi ng．qi l，C既N W如．c hunl，x矾G xi ao．1肌2(1．sc h∞l ofA帅n越坩cs，Bei h粕guni ve璐咄Be日崦100083，Chi Il a；2．A i：晌rceEqui pm ent R esearc hA cad咖y’B询遗1的0r76。

C hi皿)A b st r a ct：A com p撕s on ofⅡl e pe ffom aIl c e of H S aI l d L K opt i ca l f l ow al g嘶t|l Ins i s pr es ent cd，锄d a m em od of det e ct i on and t r acl【i ng of m oV i ng obj ect usi I l g a f us i on al gori t l l m i s pr opo s ed bas ed on m et l i st ogr锄of L K opt i ca l nowaI l d edg e e x仃ac t ed by C a I l ny’s op er at o r i n coI印l ex bac kground．7111i s m em od w as perf0咖ed by t l l r ee st印s．Fi rs t，m e det ect i on of obj ect w a s f i ni s hed and m e s egm ent at i on m a p of obj ect w a s obt ai ned us i I l gⅡl e l l i st ogr锄of L K opt i c al now；Sec伽d，m e edge m ap of obj ect w a s obt ai ned by a f us i on r nem od bas ed o n t he segm en t at i on m印of t Ile obj ect al l d t he ed ge e x廿ac t ed by C aI l ny’s op er a_t or；Tt l j r d，m e cen仃o i d of obj ect w as obt ai ned accor di ng m e edg e m印of obj ect．Expedm ent s ha-ve show n t ll at Ⅱl is m et I l o d can e讯贮t i vel y deal w i t l l t l le det ect i on and仃ac ki ng of m oV i ng obj ect w i t t l con l pl ex back gr ound．K ey w or ds：O巧ect det ecdon；一C伽叩1ex ba ckgr0唧d；O pt i c al now；H is t o{驷m；C a加y ope豫缸0引言复杂背景下运动目标的检测和跟踪是当前数字图像处理和计算机视觉领域的研究热点。

复杂场景中基于对象的运动目标检测方法

第３卷第１期７１
２１００年１月１
光电工程
ＯｐｏＥｌｃｒｎｃＥｎｉｅｒｎｇｔ — ｅｔｏｉｇｎｅｉ
、，１３．Ｏ．１０－７Ｎ１
ＮＯ２０１Ｖ，０
文章编号：１０ — ０Ｘ（００１０１００３５１２１）卜００ — ７
复杂场景中基于对象的运动目标检测方法
张笑微，周建雄
（西南科技大学信息工程学院，四川绵阳６１１）２００
摘要：基于像素层面的混合高斯背景建模方法不能很好的解决动态背景中的运动目标检测问题。由于背景像素运动的复杂性，该方法很难将动态背景建入模型，会造成大量的误检。本文在混合高斯背景建模的基础上，通过空域和时域对动态背景产生的误检进行抑制。在空域运用ＭＲ模型和混合高斯模型分别计算像素点的先验概率和Ｆ类条件概率，通过结合像素点的先验概率和类条件概率完成前景图像的分割，在很大程度上去除了小面积的误检；在时域通过目标的运动持续性，运动显著性和面积变化稳定性三个目标特征过滤大面积的误检。通过实验表明，在保证较高检测精度的情况下，该方法能够在很大程度上抑制动态背景产生的误检。
ｆｍｒＭＲｍｏｅｎＭｉｕｅｆａｓｉｓ（ｏＦｄｌｄａｘｒｏＧｕｓｎＭＯＧｍｏｅ．Ｂｃｍｂｎｎｔｅｌｓ—ｒｒｒｂｂｌｙｎｔａ）ｄ１ｙｏｉｉｇｈｃａｓｉｐｏａｉｔａｄｐｏｉ

复杂背景下H.264压缩域运动目标检测算法

Ｆｒｔ，ｔｅｒｖｄｔｅｍｏｉｇｖｃｏｓ（ｉｓｌｉｒｔｅｅｈｖｎｅｔｒＭＶ）ａｄｔｅｉｔｒｐｅｉｔｎｍｏｅｆｉｅｔａｙｉｎｈｎｅ－ｒｄｃｉｄｓｏｎｉｌ４×４ｐｘｌｌｃｎＰｆａｓｏｄｃｉｅｓｂｏｋｉｍｅｒａｄｅｔｂｉｈｓＧａｓｉｎｍｉｔｒｄｌＧＭＭ）ｏｅｐａｅｏｎｓｌｅｕｓｘｕｅｍｏｅ（ａｓａｆｔｈｓｆｈＭＶｓａａｋｒｕｄａｄｔｅｒａｅｒｏａｄｍｓａｂｃｇｏｎ，ｎｎｃｅｔｄＭａｋｖｒｎｏｈ
Ａｓｒｃ：ｏｅｕｐｓｆｂｔｃｎｖｎｂｅｔｆｍ．６／ＶｉｓｅｍｄｒｃｌａｖｎｂｅｔｄｔｃｏｂｔａｔＦｒｈｒｏｅｓａｔｇｍｏｉｇｏｊｃｓｒＨ２４ＡＣｂｔｔａｉｔ．ｉｇｏｊｃｅｅｔｎｔｐｏａｒｉｏｒｅｙｍｏｓｉ
ｒｂｓｌｏｌｘｅｖｒｎｎｎｅｐｅｉｉｎａｄｒｃｌｈｓｍｐｏｅ０ａｄ３５ｂｏｔａｔｔｅｔｄｔｎｌｏｕｔｉｃｍｐｅｎｉｏｍｅｔｄｔｒｃｓｅａｌａｒｖｄ２％ｎ．％ｙｃｎｒｓｈｔａｉｏａｙｎａｈｏｎｉｗｉｈｒｉ
第３卷第３２期通 Nhomakorabea信
学
报
Ｖ１２Ｏ．Ｎｏ３３．
ＭａｃＯ１ｒｈ２ｌ
ＪｒａｎＣｏｍｕｉａｉｎｏｕｎｌｍｏｎｃｔｓｏ
复杂背景下Ｈ．６２４压缩域运动目标检测算法

复杂背景下运动目标检测、分割与跟踪的开题报告

复杂背景下运动目标检测、分割与跟踪的开题报告一、研究背景与意义目标检测、分割与跟踪是计算机视觉领域的重要研究方向，广泛应用于智能交通、安防监控、医学影像等领域。

在复杂背景下，运动目标的检测、分割和跟踪难度较大，例如背景噪声、光照变化、遮挡等情况。

因此，开展复杂背景下运动目标检测、分割与跟踪的研究具有重要意义。

二、研究内容与方案1. 运动目标的检测针对复杂背景下的运动目标检测，我们将采用深度学习方法进行研究。

首先，我们将构建包含传统图像特征和深度学习特征的特征向量，然后使用支持向量机（SVM）算法进行分类，实现对运动目标的检测。

2. 运动目标的分割针对复杂背景下运动目标的分割问题，我们将探究基于卷积神经网络（CNN）的图像分割方法。

我们将构建卷积神经网络模型，对输入图像进行端到端的分割，得到运动目标的像素级别的分割结果。

3. 运动目标的跟踪针对复杂背景下的运动目标跟踪问题，我们将采用多目标跟踪方法。

首先，我们将在前一帧中检测到的运动目标中选择一部分作为跟踪目标，然后根据当前帧中的运动目标检测结果进行运动目标跟踪，同时不断更新目标的状态信息和跟踪的误差信息。

最后，利用目标的运动模型进行预测，实现连续跟踪。

三、实验目标与方法在该研究中，我们将采用PASCAL VOC、KITTI等公开数据集进行实验，并对比不同的算法和方法的性能差异，评估运动目标检测、分割和跟踪结果的准确性、稳定性和实时性。

实验方法包括：构建深度学习模型、采用多特征融合方法提高运动目标检测的准确性、使用数据增强技术提高模型的鲁棒性、采用多种特征融合方法提高运动目标分割的准确性、使用卷积神经网络进行运动目标跟踪等。

最终，我们的目标是实现在复杂背景下高精度、实时的运动目标检测、分割和跟踪。

四、预期结果与成果通过本研究，预期实现以下结果和成果：1. 实现在复杂背景下高精度的运动目标检测、分割和跟踪；2. 提出多特征融合方法和卷积神经网络方法，提高运动目标检测和分割的准确性；3. 发表高水平论文，提升个人科研能力和团队研究水平；4. 为智能交通、安防监控、医学影像等领域提供有力的支持和应用价值。

复杂动背景下的“低小慢”目标检测技术

（１．中国科学院长春光学精密机械与物理研究所，吉林长春１３００３３；２．中国科学院大学材料科学与光电技术学院，北京１０００４９）
摘要：为了在复杂天空背景下检测出低空慢速小目标，本文研究了“低小慢”目标的视觉显著性区域特征，融合扫描线填充算法，提出了一种动态背景下“低小慢”目标自适应实时检测技术。首先，根据图像的亮度对比度获取显著性图。接着，使用形态学梯度提取显著性特征，通过三帧差分算法得到种子点。然后，使用扫描线填充算法进行生长，结合提出的自适应双高斯算法分割出前景。最后，根据候选目标的面积占比变化、质心距离变化、宽高比差异剔除虚假目标，完成检测。为了验证算法的有效性，本文选取了７组复杂天空背景的视频序列进行测试，并与其他优秀检测算法进行了对比。结果表明，本文提出的算法对运动目标检测的平均运行时间为００４０９ｓ，平均检测准确率为８９９７％，相比于其他算法的平均运算时间减少了０３５ｓ，检测的平均准确率提高了２４５％。算法在复杂背景下具有较好的稳定性和较强的鲁棒性。关键词：计算机视觉；视觉显著性；扫描线填充；曲线拟合；自适应阈值分割中图分类号：ＴＰ３９４．１；ＴＨ６９１．９文献标识码：Ａｄｏｉ：１０．３７８８／ＣＯ．２０１９１２０４．０８５３
本文分析了低空慢速小目标的灰度特性，采用局部对比度直方图生成视觉显著性图像，使用形态学梯度和三帧差分算法去除复杂天空背景得到种子点，并通过扫描线填充算法生长出目标。最后提出自适应双高斯算法分割出前景，并根据候选目标的面积占比变化、质心距离变化、宽高比差异来剔除虚假目标，完成检测。
２．ＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ，Ｅｍａｉｌ：ｓｕｎｈａｉｊｉａｎｇ＠１２６．ｃｏｍ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

复杂背景下的运动目标检测算法
作者：闫占芳黄楠
来源：《文化产业》2015年第06期
摘要：运动目标检测技术作为智能视频监控的基础，其目的在于获得完整的运动目标。

本文对常见的运动目标检测算法进行了分析，综合帧间差分法和背景减除法设计出一种适用于复杂背景的运动目标检测算法，最后通过实验验证了该算法的有效性。

关键词：智能视频监控；运动目标检测；帧间差分法；背景减除法；
文章编号：1674-3520（2015）-06-00-01
一、引言
智能视频监控系统在安全生产、人员监控方面发挥着日益重要的作用，以提取运动前景目标为目的的运动目标检测技术，是智能视频监控系统的重要研究内容之一，是运动目标跟踪、分类和识别等后续处理的前提，也是尚未根本解决的难点问题。

本文对常见的运动目标检测算法进行分析研究，综合其优点设计一种适用于复杂背景的运动目标检测算法。

二、运动目标检测算法
运动目标检测通过去除背景成分，以便从视频图像中获取准确的运动目标，在此过程中要去除噪声（背景噪声和前景噪声）的影响，目前光流法、帧间差分法以及背景差分法成为主流的运动目标检测算法。

（一）光流法。

光流法[1]通过光流场和运动场来描述。

利用光流法进行运动目标检测主要是根据光流场的变化情况，通过光流矢量的变化来判断是否有运动目标。

光流法计算流程如图1所示。

图1 光流法流程图
由上图可以看出，光流法计算流程为：首先，选取视频图像的相邻两帧，对其进行运动估计；然后，根据运动估计的结果进行场景分割，对分割后的结果进行滤波处理，并去除较小的区域；最后，比较当前区域与原区域是否有区别，若有区别则存在运动目标，并保存当前的区域；否则无运动物体。

（二）帧间差分法。

帧间差分法[2]通过比较相邻两帧或多帧之间的差异来进行运动目标检测。

其流程图如图2所示。

图2 帧间差分法流程图
帧间差分法算法简单，对光线以及背景扰动不敏感，由于帧间差分法中用来做差的两帧间时间间隔小，因此在背景发生变化时不会对结果造成太大影响；另外帧间差分法最大的特点在于运算速度快，适用于实时性要求高的环境。

但该算法对噪声敏感，容易将背景像素作为运动目标检测出来，导致检测区域相较于运动区域要大，故得到的检测结果并不十分准确。

为提高检测性能，在运动目标检测时一般采用多帧差法或其它改进算法。

帧差法运算速度快，但是准确性差，一般在对准确度要求低的场景中应用较多。

（三）背景减除法。

背景减除法[3][4]是通过去除图像中的背景来提取运动目标。

该方法需要假设背景在某段时间内保持不变，以保证目标检测的准确性。

背景减除法算法流程如图3所示。

图3 背景减除法流程图
三、改进目标检测算法及其结果
复杂环境下容易存在光线突变、突发运动等问题，上述算法不能满足其要求。

本文综合上述几种算法提出了基于帧间差分法和背景减除法的改进算法。

该算法首先利用帧差法检测视频图像中是否存在运动目标，并计算运动目标的面积，若面积大于设定阈值则认为有运动目标存在，对背景模型进行更新，同时提取运动目标；否则，用当前帧图像对背景模型初始化，同时对背景进行更新。

利用帧差法和背景减除法相结合的算法可消除动态背景，从而只保留运动目标。

四、结论
对常见的运动目标检测算法进行了分析，并提出一种适用于复杂背景的改进算法，该算法综合了帧间差分法与背景差分法。

通过多个场景下的试验结果，证明了该算法在运动目标检测方面的优势。

参考文献：
[1]Neri A.， Colonnese S.， Russo G et al. Automatic moving object and background separation[J]. Signal Processing， 1998， 66（2）： 219-232.
[2]Haritaoglu Ismail， Harwood David， Davis Larry S. W4： Real-time surveillance of people and their activities [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 809-830.
[3]袁国武. 智能视频监控中的运动目标检测和跟踪算法研究[D]. 云南：云南大学， 2012.
[4]龙章勇. 浅析轨道交通智能视频监控的关键技术[J]. 硅谷， 2011（6）： 10-29.
作者简介：1、闫占芳（1987），女，助理工程师。

E-mail：yanzf@。

2、黄楠（1987），女，助理工程师。

E-mail：huangnan@。