基于交通视频序列的多运动目标跟踪算法

第4l卷第3期 2010年6月 中南大学学报(自然科学版) JournaIofCentralSouthUniVersity(Scienceand1'echnoIogy) 、，01．4l№．3 Jun．2010 基于交通视频序列的多运动目标跟踪算法 高韬，刘正光，张军 (天津大学电气与自动化工程学院，天津，300072) 摘要：针对智能交通领域对自适应多运动目标跟踪的广泛需求，提出一种新型的基于交通视频序列的多目标跟 踪算法。通过Marr小波概率核函数生成静态背景，并结合当前帧在B／RDwT(Binary，redundamdiscrete啪velct 廿aIls矗舢s)域进行多运动目标识别，同时采用边缘阴影剔除算法去除阴影的干扰。运动跟踪采用sIP(sIFT．particlc) 粒子滤波算法，并结合改进的均值漂移(me孤．shifI)法获得运动目标的准确跟踪窗口。采用队列链表法 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 多运动 目标之间的数据关联，在提高识别准确率的同时降低运算的复杂度。算法采用VC++6．O实现，通过实际道路测试， 研究结果表明：SIP粒子滤波算法与传统算法相比，平均时耗只多0．15s，跟踪窗口尺度可自适应变化，并且该 算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性。 关键词：多运动目标跟踪；运动识别；智能交通系统；车辆跟踪 中图分类号：TP39l 文献标志码：A 文章编号：1672—7207(2010)03—1028—09 TramcVideobasedmultiplemoVingtargetstracking GAOTao，LIUZheng—guaIlg，ZHANGJ吼 (SchoolofElectricalEngi∞耐ng孤dAutomati∞，T删inuniV盯s咄Ti觚jin300072，Chim) Abstract：Forthe出蜘粕dillgofacIaptiVe咖l邱lemoVingta：rgets订∞l【inginiIltelligent仃anspona_tionfield，a矾wty】pe of仃a伍cvideowidelyb鹪ed咖lti-t鹕ettrackingalgorithm啪spresented．Backgroundw船modeledbyM埘wavelet probabil时kemeIfIlllcti∞锄dabackgro眦dsll_‰ti∞tcchniq眦b鹊ed∞bi∞巧／rcdundantdiscretewavelet 位msfo咖晦w舔ilI咖ucedt0d鼬ectmultiplemoVingtargets．Afberobtaillingtheforegr0吼d，shadoww硒elimillatedby 孤cdgedetecti∞memod．AtypeofSI-P(SIFT．pamcle)fil钳combincdwi也improved眦址shifImmodw觞璐edfor video仃ac妯呜，柚dn∞l【ingwindowadaptiVelychangcdits∞aIeaccordingt0吐lesizeoftal苫et．A(撕e吣cllainme血od w勰璐cdtorecord加嬲sociation卸10ngdi伍玳mtargets，、Vhichcouldimprovcthed鼬ecti∞accumcy锄d∞dl-cemc conlplexi何ThesoftwarcisVC十卜6．0，锄dbyactIlalmadtests，theaveragemntimeofsLPalg硎thInisonlyO．15smofe than血atof位ldmonalalgorimm；也escaleof仃ackingwilldowc孤adaptiVely曲帅g髓．Thealg耐tllm仃扯ksmulti-target 、】I，itIlabctterpem忱l锄ccof”％l石me锄d鲫mIal0ccl璐ionrob咖ess；itc趾be璐edinimelligent们伍cmoni州ng with∞㈣iveapplicationprospect． Keywords：mm卸1emovingtaIgets咖cking；moti∞dctecti∞；imelligent仃ansportali∞systenl；V出cletracbng 多运动目标跟踪应用广泛，特别是在交通视频监 控方面，对其进行了广泛的研究，提出了许多识别跟 踪算法。然而，这些算法大都只针对某一特定场景， 并且由于硬件的限制，这一课题的发展历史较短，而 且其内容涉及到图像处理、模式识别和人工智能等多 个学科，其理论还不够完善，一些重要的问题尚未解 收稿日期：200蛐6-25；修回日期：2009_08—25 基金项目：国家自然科学基金资助项目(60r772080)；天津市自然科学基金资助项目(oj矾：YBJCl3800)；天津市科技支撑计划重点项目基金资助项目 (10ZCKFsFolloo)；天津市公安交通局科研基金资助项目(2005【16】) 通信作者：高韬(198l-)，男，河北石家庄人，博士，从事智能交通，模式识别等研究；电话：13702013536；Bmail：鲈d啪23l@yah∞．饥 万方数据 第3期 高韬．等：基于交通视频序列的多运动目标跟踪算法 1029 决，行之有效的方法和技术还有待开发。肖敬若等【l】 结合扩展卡尔曼滤波法与均值漂移法对运动目标进行 跟踪，该方法可用于背景较复杂的情况，但是，当目 标形变较大，并且运动方向改变时，跟踪往往会失效。 Yao等【2l通过光流法识别运动目标后，利用卡尔曼滤 波，采用运动区域颜色特征匹配跟踪方法，对多个目 标进行跟踪，但该方法只适用于背景较简单、目标较 明显的情况。如果背景过于复杂且目标不明显，会导 致处理速度过慢，影响跟踪效果。Lei等【H】使用混合 高斯模型背景建模法检测运动目标，并通过卡尔曼滤 波，利用目标颜色直方图和形状模型进行匹配识别， 从而对多目标进行跟踪。但跟踪匹配参数无法自适应 获得，常会导致累积跟踪误差，准确度较低。Okuma 等【5吲提出Boosted粒子滤波与均值漂移相结合的多目 标跟踪算法，可有效地跟踪人体等非刚体目标，并且 具有较好的抗遮挡性。但该算法事先需要大量的样本 训练，计算复杂度高，并且不适用于目标大小变化剧 烈的场景，限制了它的应用。卢晓鹏等【7J也提出一种 Me柚．shit与粒子滤波结合跟踪算法，首先应用 Me锄．shifI算法进行跟踪，由得到的目标位置计算相 似系数，与预先设定好的门限系数比较并采用不同的 滤波策略，具有一定的抗遮挡性。但该算法同样没有 考虑目标大小变化明显的情况，并且选择粒子采样的 门限阈值需人工预先设定，不利于实际应用。在多目 标数据关联方面，最直接的方法是最近邻域0烈)法， 即如果1个量测与1个目标轨迹的空间距离最近，则 该量测为该目标的当前量测，但在实际应用中采用欧 式距离的测度常存在各种缺陷；联合概率数据关联滤 波(口DA)算法【8叫综合考虑了相交的波门内的所有回 波和航迹，在密集回波环境下，跟踪多个近距离机动 目标时仍然有很好的跟踪性能，但其计算量随着跟踪 门内回波数目的增长而呈指数增长。在密集回波环境 下，由于其计算量和存储量巨大而难于在实际中应用。 多假设数据关联跟踪算法(MHT)110】把多个假设继续传 递，让后续的观测数据解决这种不确定性，但其主要 应用在雷达领域的航迹跟踪。目前，数据关联根据先 验知识，．如目标的动力学特征，将检测结果与目标状 态关联起来，并对跟踪轨迹进行滤波，而针对视频监 控领域，摄像头与图像之间相关性较低，所以，应对 被跟踪目标建模并据此在图像序列各帧中定位目标。 针对现有跟踪算法的不足，本文作者提出一种结合 SIFT特征粒子滤波和Me雒．shiR算法，采用队列链表 结构数据关联的多目标跟踪算法，提高了跟踪的准确 性与效率，具有较高的应用价值。 1运动目标识别 背景减法是目前最常用的一种识别算法，相对于 其他算法，能够提供最完整的运动信息，而且其操作 简单，检测位置准确且速度快。但该算法的性能完全 取决于背景生成的质量。本文作者对运动目标识别采用 一种基于Marr小波概率核函数的背景算法(MarrB)， 并在 B／RDWT(Bill购，／rc曲md粕tdiscretewavelet n独sfoH璐1域【ll】提取运动信息从而检测运动目标。 1．1静态背景生成 将初始帧作为背景曰，设当前输入帧为，分别对 其进行金字塔l／2分解，进行2级分解的 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 为： 舶={厶@萍裟‰ 其中：刀1和地都为3，表示高斯滤波核宽；均方差口 为O．5。交通监控摄像头一般固定在道路标杆上，考虑 到车辆干扰对其引起的轻微震动，设偏移矩阵为 m|ll】，’，和^分别代表垂直和水平抖动参数。设第，rl 级的初始偏移矩阵为[％I，kl】，偏移函数为： 膨(缸，缈)= —万冬lexp【-(五一l一吸_1．k．，‰(缸，缈))2“2仃)】一VZ兀盯 。。⋯ 寺exp【一(厶一l一玩_I，％。，铀(血，缈))2“8盯)】I+ (卜口)_—÷，麟一．，m．m 其中：缸和屈。分别为图像中像素的最大和最小灰度。 为了便于实际运算，采用Gauss函数的差y(f)= 懿p(一，2／2)一去exp(一f2／8)形成的DoG(Dif|FereIlceof Gaussian)来近似Mallr小波。不断调整(缸，缈)，根据 最佳近似度。2擐，得到最佳偏移距离 ‰，4崎)，同时，将【％一l+＆‰t，％一l+‰】作为 下一级五的初始偏移矩阵。通过逐级迭代，最终确定 背景图像的扩展范围。设偏移修正过后初始背景像素 为B(f，力，当前帧像素为火f，力，定义当前帧与背景偏 差的Marr核概率分布为： 万方数据 1030 中南大学学报(自然科学版) 第4l卷 (a)帧l；(b)帧2；(c)帧3；(d)帧4；(e)连续帧差法；(O混合高斯模型；(g)MarrB算法 图l背景建模比较 Fig．1Backgroundmodelingcomp撕s0II 邱∽=南阡华]_耕华]I 其中：控制参数口=0．3；方差y初值取∥(缸一缸)2， 夕=o．Ol。同时，设背景像素更新权重为： 篮(，，／)：———墼韭T一 (2)P(j，卅(1‘∞赢 则迭代更新背景为： ∑峨’j．1·(马一l一厶)2 ∑峨∥厶 乃=堕—可一∑蝇．f．1 一=l 马=％ ∑蝇，， 一=l 其中：f为迭代次数；Ⅳ为处理视频序列帧数。图l 所示为连续帧差法，混合高斯法和本研究中使用的 Ma曲算法对交通视频序列背景建模的结果。从图l 可知：M锄国算法在去除背景噪声以及静态背景生成 方面具有更佳的抗干扰鲁棒性。 1．2 B，RDⅥ，fI．域运动目标识别 分别对背景和当前帧进行B，RDWT，在离散小波 域直接提取运动信息。对于二维数字图像，可采用二 进小波变换的特例：冗余离散小波变换(RDWT)来实 现。冗余离散小波变换是除去了下采样的离散小波变 换。由于没有下采样，不同尺度的时间抽样率固定， 离散小波变换固有的平移变化在这里被消除，并且冗 余离散小波变换后各子带的大小与输入信号的大小相 同，从而运动信息地，y)可根据各子带差异获得，具 体过程可参考文献[1I—12】。图2所示为当前帧以及根 据运动区域多运动车辆目标识别检测结果。 (a)当前帧；(b)目标检测 图2运动车辆检测 Fig．2Motionvelliclesdctecti∞ 1．3边缘阴影剔除 要剔除阴影，首先要判断图像中是否有阴影存在， 目前，判断场景中是否有阴影存在的研究较少。毛燕 芬等【13。14】将前景像素分为“暗色”和“亮色”，定义 “亮色”像素点的平均能量为厩，阴影程度为R，当 前景区域的民和尸d都超过相应阈值时，判断存在阴 影。但阈值常由经验判定，并且当背景环境较复杂时， 常会误判。～般地，当场景中光照较强时，阴影很可 能存在，因此，本文作者采用直接判断背景亮度来判 断是否有阴影。当亮度超过类间方差闽值r的像素数 目时，判断为存在阴影，一般r取全部像素数目的l／4。 该方法处理速度快、效果好，即使偶尔误判，由于采 万方数据 第3期 高韬，等：基f交通视频序列的多运动日标跟踪算法 103l 用边缘阴影剔除算法，也不会导致目标丢失。目 前，运动目标阴影检测一般采用基于彩色空间的方 法【”-16】。7该方法认为阴影区域色彩变化很小，只是背 景彩色分量乘以某个系数目掩膜)，以此进行阴影分 割。但是，在某些情况下，目标和阴影在颜色信息上 没有明显的差别，例如，当交通道路环境中同时存在 黑车和阴影时，难予区分黑车与黑色阴影。一般认为， 阴影处具有稀少的边缘细节，而目标内部边缘细节丰 富。本研究中，依靠完整提取的前景信息，首先，对 前景模板进行“C距ny”算子边缘提取，然后，对前 景区域进行“Sobel”边缘提取，除去噪声后的两者信 息的差值即可得到运动目标。图3所示为该算法各步 骤处理结果。 2结合SIP与Me粕．shift的跟踪算法 以检测出来的运动目标信息作为后续帧跟踪的初 始条件，采用一种结合SIFT特征粒子滤波和Me觚． shiR的跟踪算法，提高跟踪的准确度。 2．1 SIP算法 SIFT特征点㈣代表了运动目标鲁棒性特征，将其 与粒子滤波算法【18-191相结合，形成SIP滤波算法。 初始粒子的选取以及状态转移都以SIFT特征点为依 据。算法具体过程如下。 (1)样本初始化。在初始帧中通过运动目标识别 算法确定目标区域，并计算目标模板的颜色概率分布： g：{9(纠。，咖)：／∑2l七(掣矽(慨)训 其中：j为粒子区域的像素的个数；6为Kronecker余 予函数；参数口为粒子区域的规模大小；』il代表颜色 直方图；局为第f个像素点的位置；函数厂为归一化因 子；七为Ep吼ecllllikov核函数的轮廓函数。结合目标 区域和当前帧SIFT特征点建立初始状态样本集合 岛={sm(弼‘’)，1／Ⅳ}兰。 (2)由替代选择法[201根据样本权值厄1从样本集 艮。中抽取Ⅳ个样本。计算样本集合归一化累积权值， 簟l=o，吐l-蒯+讵l，c：!I=吐l／掣l。产生【o，l】 区间上的均匀分布的随机数，．。在样本中搜索使得权 值0毛≥，的最小七，并使≤!。=距。。 (3)设样本空间通过运动模型 墨=彳S—l+置·， 其中：彳为状态转移矩阵；置为扰动矩阵；，为随机高 斯矩阵。彳和足分别为： 彳《蝌～暾02l 其中：仃=3，岱=0．35。同时，将f时刻由S巧T匹配 的特征点赋予S，得到＆fL。。 (4)计算候选样本分布和目标模板的 Bhattacbaryya系数科所，训一 重新计算＆fL，中每个样本的权值： 吖=—杀一exp(_(1一研所，q】)／(2口2))·雌l (a)原图；(b)运动目标区域；(c)运动目标区域边缘：(d)前景；(e)前景边缘；(f)边缘差值；(g)目标提取 图3阴影剔除后的目标提取 Fig．3T{lr售融sse罄nentationaf吼’removingshadow 万方数据 1032 中南大学学报(自然科学版) 第4l卷 (5)由样本的加权平均估计f时刻运动目标的中 心位置：E(S)=∑W《ft。，／∑吖。 f=l i=I 图4所示为结合SIFT特征点的粒子滤波跟踪 结果。 2．2 Mean．shift运动目标边界提取 M锄．shi科2u是一种基于外部特征的跟踪算法，能 够对机动目标进行实时跟踪。对于目标实时跟踪，设 由SI-P滤波得到的目标中心初始位置为夕o，计算分 布概率p。@o)，得到4丸(夕)，香。J=∑√p。◇)香。，然 H=l Ⅲ广■■一 后计算权值{¨，其帆w2薹研6(再叫H√云％；6 为颜色概率分布函数；i=1，⋯，嘞。令g为加权核函数， 则目标中心新位置为： 岛=胁gc蝌12)]／融c睁||2)) 同时，计算所丸(夕1)，辱。】_∑√声。(夕t)毒。。当 “=I 1 4p(夕1)，们<4声魄)，们时，令夕1=÷(夕o+岛)。若 眵l一九』<占(占为1个像素值)，则算法结束，否则， 令夕o=萝l，重新迭代，最大迭代次数为lo。一般均 值漂移法的跟踪窗宽保持不变，不能适应目标缩放的 变化，对此采用基于Marr小波核函数多尺度跟踪算 法【121，令 鼬c班“e坤(书吵吣e冲(书82)，， K知(x)=一g|Ⅳ(工)， 则 y=胁刈刊|2)]／胁．v(1l刊2)] 通过自适应改变Marr小波核宽尺度，较好地解决了上 述问题。 3多目标数据关联 对于交通视频监控序列，车辆的行驶情况与数据 结构的队列链表类似，先驶进某一道路场景的车辆一 般也先离开道路(违章超车情况较少，并且不影响跟踪 准确性)。因此，对于多运动车辆的跟踪数据关联采用 队列链表处理法(如图5所示)，链表中每一个元素代 表运动车辆，元素为结构体，包含牟辆的中心位置、 四周边界点位置、行驶方向、内部颜色概率分布以及 最佳Bhattachawya匹配系数等重要信息。 (1)新目标的进入。在空间上，新目标只可能在 视频图像帧的边界区域出现。若在图像的边界区域 检测到1个观测值，中心为)，，则计算其和所有现存 目标的距离D；若该距离远大于目标在相邻帧中可能 运动的距离，则说明该观测为1个新目标，在队列 (a)，(b)和(c)分别为l，5和8帧时的原始图像；(d)，(e)和(f)分别为(a)，(b)和(c)对应的跟踪结果 图4 SIFT特征点粒子滤波跟踪 Fig．4PanicIefilteI证g仃acl【il唱b蕊edonSIFlrmatching 万方数据 第3期 高韬，等：基于交通视频序列的多运动目标跟踪算法 1033 图5队列链表数据关联 F蟾．5 Da切．associa：tionofqueuetecbIliq∞ 链表中插入相应新元素值。否则，计算其颜色概率 分布p。◇)，判断其与现存运动目标{∞-，忱，⋯，∞。}的 Bhattachar)驴相关系数p，即科户(J，)，们= ∑币丽，若p小于现存目标的Bha仕∞h奶，)，a系 Ⅳ=l 数，则判断为新目标；否则，选取差值最大的为最佳 匹配目标的状态变化，并更新链表对应元素内部结构 值。 (2)旧目标的消失。旧目标的消失也只可能出现 在图像的边界区域。假设上一帧图像中的目标劬接近 边界，即将在下一帧图像消失，则用如下方法对消失 目标进行判定：读取新一帧图像，计算目标铆与新一 帧中各目标{∞1，∞2，⋯，∞。)的Bhattachary)ra相关度， 若与任何目标都不相关，则目标劬消失。 该方法的优点在于运算复杂度低及利于交通监 控。在实际监控中，更关心对违章车辆的监控，如跨 道行驶、逆行和闯红灯等车辆，对这些车辆可根据目 标的中心值以及行驶方向快速判断。对于无违章行为 的目标可以提前从队列链表中删除，不进行处理，从 而提高跟踪系统的性能并降低对硬件的需求，利于现 场应用。 4实验结果 图6所示为传统粒子滤波跟踪与SlP(SIFT- panicle)滤波跟踪性能，十字代表粒子状态，黑线为滤 波得到的运动轨迹。从图6可以看出：在SIP算法中， 每帧中的粒子一直保持在目标区域内，而在传统粒子 滤波算法中，由于目标面积改变，轨迹误差较大，从 而偏移运动物体导致跟踪失效。 同时，在CPU为1．4GHz，内存为512M，软件 为VCH．6．0的环境下，选取15帧图像(分辨率为 768×576)，对两者的运行时间进行对比，结果如图7 所示，添加SIFT特征点提取过程后，SIP平均运行 时间只比粒子滤波算法的平均运行时间多0．15s，完 全在监控系统时延容许范围内。 对于交通视频序列的多目标跟踪，虽然遮挡车辆 目标的分离是一个很难的问题，但是在交通监控的实 际应用中，对于在遮挡情况比较严重时(比如交通路口 的堵车)，往往更关心的是堵车队列的长度，对于单独 车辆的分割没有很高的要求；只有在车流比较顺畅时 才更关心单独车辆的检测与跟踪，而在这种情况 下，车辆之间往往都有一定的间距，遮挡的情况比较 少，即使有也比较简单。图8所示为高速上车辆路监 控结果。在实际监控应用中，当车辆目标过于细小时 监控也无意义，行人和远处车辆可作为噪声去除，而 主要关注近景车辆。作为比较，将本文跟踪系统与目 传统粒子滤波：(a)24帧；(b)39帧；(c)56帧；(d)60帧 SLP滤波：(e)24帧；(f)39帧；(蓟56帧；(11)60帧 图6传统粒子滤波与SLP滤波跟踪 Flg．6Traditio眦lparciclefiltcring粕dSLPfilte面g订acking 万方数据 1034 中南大学学报(自然科学版) 第4l卷 l一传统粒子滤波跟踪；2一SIFl．-P’滤波跟踪 图7运行时间对比 Fjg．7Runtimecomp硎s∞ 前使用较广泛的MoG．Kalm蛐多目标跟踪系统【3_】进 行对比，测试序列选为市区车流量较大时的监控录像 片断。图9和图10所示为2种跟踪系统的测试结果。 从图9和图lO可以看出，由于背景建模以及运动识别 的准确性，本文作者提出的跟踪系统能有效地除去行 人、晃动的树叶及光照的变化等背景噪声的影响(为清 晰起见，去掉了粒子显示)，同时跟踪窗口尺度随目标 大小自适应改变，并且对车辆的相互遮挡也具有一定 的鲁棒性；而MoG—Kalm锄多目标跟踪系统由于背景 差的缺陷，识别结果具有较大误差，往往只含有噪声 信息，跟踪窗口也无法自适应改变尺度。对于该序列， 设识别误差测度P为： P：幽 。f (a)4281帧；(b)4286帧；(c)4294帧；(d)4300帧；(e)4312帧；(f)4318帧；(g)4326帧；(h)4339帧 图8高速路跟踪结果 Fi晷8Mu】tipletal苫etsn私king佃疔eeway (a)318帧；(b)329帧；(c)337帧；(d)342帧；(e)346帧；(O356帧；(g)365帧；(1I)377帧 图9本文跟踪系统在市区道路上的多目标跟踪结果 Fi昏9Mulljpletargetsn犹king∞uIb蛐roadbysys啪pr0Vid髓by硼tllo塔 万方数据 第3期 高韬，等：基于交通视频序列的多运动目标跟踪算法 1035 (a)318帧；(b)329帧；(c)337帧；(d)342帧；(e)346帧；(f)356帧；(g)365帧；(h)377帧 图10MoG．Kalm粕跟踪系统在市区道路上的多目标跟踪结果 尉g．10MuItipletargcts们ckingonllrb锄roadbysyst锄ofMoG—I(alm锄 其中：，．为算法识别跟踪的全部像素数目；，为前景像 素数目。选取o~230帧作为对比对象，识别误差结果 如图11所示。 l—MoG．1(alIIl柚：2一本文跟踪系统 图ll误差测度比较 F．g．1lE盯orco唧撕son 5结论 (1)提出了一种基于交通视频序列的多目标跟 踪算法。该算法通过Ma盯小波概率核函数生成静态背 景，提高了背景生成的有效性，并结合当前帧在 B／RDwT域进行多运动目标识别，同时采用边缘阴影 剔除算法去除阴影的干扰。 (2)运动跟踪采用新型的SIP粒子滤波算法，并 结合均值漂移法获得运动目标的准确跟踪窗口，并自 适应改变尺度。采用队列链表法记录多运动目标之间 的数据关联，在提高识别准确率的同时降低了运算的 复杂度。实际道路测试结果表明：该算法对于多运动 目标识别跟踪具有优越的性能，可应用于智能交通监 控、跟踪等。 参考文献： 【l】 肖敬若，张艳宁，胡伏原，等．一种鲁棒的多目标自动跟踪算 法田．信号处理，2007，23(3)：437．440． XIAoJing·mo，ZHANGY抽-ning’HUFI卜”an'eta1．Arobu砒 越埔眦lmicmulti-协增et昀ckingalgorithmin cOmplcx ∞Vimnnl盯Its【J】．SignaIPro∞鲻ing，2007，23(3)：437q40． 【2】Y如FH，sekm曲凡Malk缸iMJ．MultiplemoVi呜雠gct 出tection．仃：∞l【ing'md代：cogniti叽锄 a I∞Ving 曲∞n『er【C】／／ProceedingsofmeIEEE蛐踟嘶伽mC姗两咖∞ 帆hlfb彻觚on缸dA删i伽．N鲫Y研kIEEE．2008： 978—983． 【3】LEIB锄g’juqXULi唧m．Real·在n圮叫埘00rVid∞s唧eiIla瓣 withrobu8tforc毋Dund懿仃acti∞and嘶ect乜∽kingvia 咖蛐·st重嵋臼狃siti叫m锄gement【J】．Pat【唧Reco印洒on Let髓，2006，27(15)：1816一1825． p】Ro、№D，R．eidI， GonzalezJ' et aI． U眦埘啦n鼍ined f肌niple-peoplen们king【C】佃roceedin黟ofⅡ坞28thDAGM SyfI】Iposium．Bellin：Spring％2006：505—514． 【5】0k咖l‘1’8leghaniA，F碍it醋N，LittlcJ，LoweD．Ab∞曲ed p删clefilter：nIuJtitafg髓dctcc矗∞柚d仃acl【ing【C岍．rol糍；din秘 万方数据 1036 中南大学学报(自然科学版) 第4l卷 ofⅡ蝣8thE岫)pe柚c∞f吾蜘ce∞c伽叩嘲Visi∞．B硎in：咖、，eiIl卸∞【D】．Sh如ghai：Lil椭ⅨSh锄ghaiJia时1．ong S砸ng盯’2004，l：28-39． univ∞咄2005． 【6】 cAIⅥ-zheng，F佗i协N，Li位leJ．Robustvi趴臆l廿ack啦for【14】ⅪAOMei，HANch∞gIzh∞，zm悄GLei．Moving3hadow 枷l卸IetaIgets【C】／／Procecd吨sof也e9nlEmDp啪C蜘∞detcction柚d枷∞vaI衙觇衔c唧锄c龉明．Inte兀枷onaI ∞C咖弘lterⅥsi∞．Benin：Spring％2006，4：107一儿8．Jo唧豫lofAutonmti∞锄dCo唧嘶ng’2007，4(1)：38—46． 【7】 卢晓鹏，殷学民，邹谋炎．一种基于颜色分布的混合视频跟 【15】潘翔．基于彩色信息和边缘特征的运动阴影检测阴．浙江大 踪方法明．电子与信息学报，2008，30(2)：259_262． 学学报：工学版，2004，38(4)：389_391． LUx协peng·Y玳x∞‘mjn，zOuM∞删·Ah姗d队N)【iang．Mo啦sha‘lowdctccti彻b鹊cd蛐colof al鲥thmofD崎。ct柏ckingbased∞col甜dis啪buti伽川·in】!brrm面衄andedgefi嫩tu瞄忉．J0咖Iof动cji觚guniv啪ity： J哪IofElec咖ics＆h觚训on融hnol啷2懈，30(2)：脚e耐ngSci％ce，2004，38(4)：38p391． 259-262· 【16】王萍，王波．基于小波系数及光学特征的车辆阴影检测阴． 【8】 巴宏欣，赵宗贵，杨飞，等．多传感器多目标跟踪的肋A算 天津大学学报，2∞8，4l(2)：199_203． 法阴．系统仿真学报，2004，16(7)：1563一1566．WANGPing，W氏NGBo．vchicleshadowd帐蛾i咖based衄 队Hong．)【in'ZHAozong．雩：lli，YANGfd'眈aI．肿眦 啪veletcoe墒ciemsandphotom疵fc船s『J】．Jo哪Iof nndtis删咖hi协rget眦l【ing【J】·J吣lofSy咖m Ti孤jinUnivers蛾2008，4l(2)：199-203． Si伽lati鸭2004，16(7)：1563～1566· 【171LowcDGDi8tin咖eim鸱c触嘶s舶mscale．in谢柚t 【9】 杨春玲，余英林，刘国岁．多目标跟踪中的数据关联算法田．keypoints【J】．1劬珊撕onalJollmalofCo叫，u自盯Ⅵsi册，2004， 系统工程与电子技术，2000，22(3)：ll—15． 60(2)：9卜1lO． YANGChⅦ-ling，YU‰g．1in'LIUo睁sIli·Da诅鹊跳ia：ti∞【18】 N咖嘶啪K．AIIadaptivccol砷舔edpanicIefilte栅．hnage algo—lh|nin删ln．t酊get删她阻systems脚鼬g加dandⅥsi∞c唧uting'2003，2l(1)：睁llO．E1ec删cs，2000，22⋯l-15· 【19】AmI蛐paI锄Ms，MaskenS，Go加N，aappT．A讹riaI∞ 【10】coxIJ，Hingo昭niSL．Ane衔cientiI印l锄％伽∞of∞id，s panicletiI觚fbr0n．1k咖l岫晌on．g挪sianbayesi姐 娜ltiplehypom鼯is仃acking姆埔thnl龃di协eval删∞for血e仃删ng阻IEEET糟哪cti伽∞si酬Proc黜ing，2002，50(2)： pIlfp嘲of咖al吮蚍叽IEEETIan钳曲咄∞P舭m 174-l躲 Analysis觚dMachine№IIig咖e，1996，18(2)：138一150· 【20】 Rcckle硒sI-A删clc6栅嘶rialfor脚bile∞bot 【11】GAO伽，LIUzll饥g．gIlang，ZHANGJ恤·酬眦danldi∞r咖 hal刎∞吲I怖ceem醪oftbc髓Em咖a虹删 wavelct仃aI略to哪b峨d。noⅥngobjectrcc0印1n∞锄d Co疵嘲ceon蹦州csandAu协malion．N鲫Y破：髓E，2003． 仃acl【ing们·Jo啪alofS障盥Engin确ng卸dEle咖疵s， 42：l一36． 2009，20(5)：ll15一1123‘ 【2l】宋新，沈振康，王平，等．Me觚shift在目标跟踪中的应用叽． 【12】GAo伽，LIu办。n争g啪g，zlIANGJm·BD、ⅣTb鹊cd 系统工程与电子技术。2007，29(9)：1405一1409． moVmgo町ect蜘捌tlonandmeⅪcowaveIetk锄eI腓锄sIlift SONG硒，S髓N狮妇岛wANGPin舀eta1．AppJi∞ti如 仃ac她[J】．Jo啪IofSystcmS岫l撕咀2008，20(19)： ofm咖shjft础odin螂ct仃ac蚍叽Syste傩Engin∞血g 5236_5239- 粕dEle咖nics，2007，29(9)：1405一1409． m1量量茎：；苎翌?竺竽中的目标检测与跟踪【D】·上海：上海 (编辑刘华森) 交通大学图书馆．2005． 、一一 。。。7 MAOⅥm-蜘．objoctdc吣cti彻觚d缸犹kingin缸amcvideo 万方数据 基于交通视频序列的多运动目标跟踪算法 作者： 高韬， 刘正光， 张军， GAO Tao， LIU Zheng-guang， ZHANG Jun 作者单位： 天津大学,电气与自动化工程学院,天津,300072 刊名： 中南大学学报（自然科学版） 英文刊名： JOURNAL OF CENTRAL SOUTH UNIVERSITY (SCIENCE AND TECHNOLOGY) 年，卷(期)： 2010,41(3) 参考文献(21条) 1.宋新;沈振康;王平 Mean shift在目标跟踪中的应用[期刊论文]-系统工程与电子技术 2007(09) 2.毛燕芬 交通视频监控中的目标检测与跟踪 2005 3.GAO Tao;LIU Zheng-guang;ZHANG Jun BDWT based moving object recognition and mexico wavelet kernel mean shift tracking 2008(19) 4.GAO Tao;LIU Zheng-guang;ZHANG Jun Redundant discrete wavelet transforms based moving object recognition and tracking[期刊论文]-Journal of Systems Engineering and Electronics 2009(05) 5.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[外文期刊] 1996(02) 6.Yao F H;Sekmen A;Malkani M J Multiple moving target detection,tracking,and recognition from a moving observer 2008 7.肖敬若;张艳宁;胡伏原 一种鲁棒的多目标自动跟踪算法[期刊论文]-信号处理 2007(03) 8.杨春玲;余英林;刘国岁 多目标跟踪中的数据关联算法[期刊论文]-系统工程与电子技术 2000(03) 9.巴宏欣;赵宗贵;杨飞 多传感器多目标跟踪的JPDA算法[期刊论文]-系统仿真学报 2004(07) 10.卢晓鹏;殷学民;邹谋炎 一种基于颜色分布的混合视频跟踪方法[期刊论文]-电子与信息学报 2008(02) 11.CAI Yi-zheng;Freitas N;Little J Robust visual tracking for multiple targets 2006 12.Okuma K;Taleghani A;Freitas N;Little J,Lowe D A boosted particle filter:multitarget detection and tracking 2004 13.Rowe D;Reid I;Gonzàlez J Unconstrained multiple-people tracking 2006 14.LEI Bang-jun;XU Li-qun Real-time out-door video surveillance with robust foreground extraction and object tracking via multi-state transition management[外文期刊] 2006(15) 15.Reckleitis I A particle filter tutorial for mobile robot localization 2003 16.Arulampalam M S;Maskell S;Gordon N;Clapp T A tutorial on particle filters for on-line nonlinear/non-gaussian bayesian tracking[外文期刊] 2002(02) 17.Nummiaro K An adaptive color-based particle filter[外文期刊] 2003(01) 18.Lowe D G Distinctive image features from scale-invariant keypoints[外文期刊] 2004(02) 19.王萍;王波 基于小波系数及光学特征的车辆阴影检测[期刊论文]-天津大学学报 2008(02) 20.潘翔 基于彩色信息和边缘特征的运动阴影检测[期刊论文]-浙江大学学报(工学版) 2004(04) 21.XIAO Mei;HAN Chong-zhao;ZHANG Lei Moving shadow detection and removal for traffic sequences[期刊 论文]-International Journal of Automation and Computing 2007(01) 引证文献(1条) 1.周虎.邾继贵.张滋黎.叶声华 激光电子经纬仪动态跟踪引导系统的设计[期刊论文]-光学精密工程 2011(11) 本文链接：http://d.g.wanfangdata.com.cn/Periodical_zngydxxb201003036.aspx