稀疏表示目標(biāo)關(guān)聯(lián)精編

稀疏表示目標(biāo)關(guān)聯(lián)精編摘要：隨著視頻監(jiān)控技術(shù)的快速發(fā)展，多監(jiān)控攝像機(jī)信息融合的研究逐漸被重視起來，作為核心技術(shù)之一的無重疊視域多目標(biāo)關(guān)聯(lián)也成為了研究的焦點(diǎn)。這個研究焦點(diǎn)是計算機(jī)視覺研究領(lǐng)域的一個新興的、多學(xué)科交叉的研究方向。文章對國際上關(guān)于此方向從開始到現(xiàn)在的重要研究成果，做出了比較詳細(xì)的論述，把對該問題的研究歸納為三個主要的組成部分，并依次介紹了這三部分的研究進(jìn)展，最后簡要分析了這個方面研究的難點(diǎn)和未來的發(fā)展趨勢。關(guān)鍵字：視頻監(jiān)控、無重疊視域多攝像頭、目標(biāo)關(guān)聯(lián)Abstract:Withtherapiddevelopmentofvisualsurveillancetechnology,theresearchaboutmulti-camerainformationfusionisgraduallypaidmoreattentionto.Thus,asoneofthecoretechniques,objectstrackingacrossnon-overlappingmulti-camerabecomethefocus.Thisfocusisarisingdirectionofcomputervision,whichcrossesseveralsubjects.Thispaperdiscussestheimportantachievementsofthistopicallovertheworldfrombeginningtopresentindetail.Allofthemareclusteredintothreepartsandintroducedorderly.Finally,somedifficultiesandfuturedirectionsareanalyzedconcisely.Keywords:visualsurveillance,non-overlappingmulti-camera,objectsmatching在單攝像機(jī)智能監(jiān)控算法逐漸成熟的同時，近年來，多攝像機(jī)之間的信息關(guān)聯(lián)和信息融合的研究逐漸被重視。由于被監(jiān)控區(qū)域的廣闊和攝像機(jī)視域有限之間的矛盾，以及在計算量和經(jīng)濟(jì)等方面的考慮，不可能用攝像機(jī)全部覆蓋所有的被監(jiān)控區(qū)域。因此在無重疊視域多攝像機(jī)監(jiān)控環(huán)境下的目標(biāo)跟蹤就成為了廣域視頻監(jiān)控研究的重要內(nèi)容之在無重疊視域多攝像機(jī)視頻監(jiān)控系統(tǒng)中，目標(biāo)在時間和空間上都是分離的，如何將不同攝像機(jī)中相同目標(biāo)進(jìn)行有效地關(guān)聯(lián)是多攝像機(jī)目標(biāo)跟蹤的關(guān)鍵問題。本文主要針對無重疊視域多目標(biāo)關(guān)聯(lián)技術(shù)的研究現(xiàn)狀進(jìn)行了系統(tǒng)的介紹,包括問題描述、一般框架、關(guān)鍵問題、主要方法介紹，并分析了各方法的優(yōu)缺點(diǎn)。231目前，多目標(biāo)跟蹤算法的主要難點(diǎn)是數(shù)據(jù)關(guān)聯(lián)問題。背景的復(fù)雜性，目標(biāo)比例變化、目標(biāo)顏色與背景顏色的相似程度、背景的穩(wěn)定程度，多目標(biāo)的交互及各種特殊情況的發(fā)生都會給多目標(biāo)跟蹤帶來困難。當(dāng)前多目標(biāo)跟蹤中存在的包括以下幾個方面：遮擋問題：遮擋是多目標(biāo)跟蹤中的常見情況，目標(biāo)可能被背景中靜止的物體遮擋，也可能被另外的目標(biāo)遮擋，或者自遮擋，并且遮擋的程度也不同。目標(biāo)被遮擋的過程一般可分為兩個階段：一是目標(biāo)進(jìn)入遮擋過程，這期間目標(biāo)信息丟失越來越嚴(yán)重，二是目標(biāo)出離遮擋過程，也即目標(biāo)漸漸離開遮擋，這期間目標(biāo)信息逐漸得到恢復(fù)。遮擋表現(xiàn)為目標(biāo)信息的逐漸丟失，而跟蹤算法的關(guān)鍵就是搜索到的可靠性帶來很大困難，可能導(dǎo)致跟蹤的不穩(wěn)定甚至丟失，特別是嚴(yán)重的遮擋，一直是多目標(biāo)跟蹤中的一個難點(diǎn)，目前多數(shù)系統(tǒng)都不能處理較嚴(yán)重的遮擋問題，也不能提供標(biāo)準(zhǔn)來判斷何時停止及何時重新開始跟蹤，且在目標(biāo)丟失情況下沒有相應(yīng)的重新獲取目目標(biāo)數(shù)目的隨機(jī)性：數(shù)目可變也是多目標(biāo)跟蹤中的常見問題。目標(biāo)總數(shù)的變化來自于新目標(biāo)的隨機(jī)出現(xiàn)、舊目標(biāo)的消失以及由于舊目標(biāo)的分裂與合并(即遮擋)。目標(biāo)總數(shù)的變化有兩種情況：一是總數(shù)的增加，包括新目標(biāo)的出現(xiàn)和舊目標(biāo)的分裂；二是總數(shù)的減少，包括舊目標(biāo)的消失和目標(biāo)合并。如何準(zhǔn)確得到當(dāng)前幀的目標(biāo)個數(shù)，是多目標(biāo)跟蹤中的又一個難點(diǎn)。背景的復(fù)雜性：目標(biāo)所處場景的復(fù)雜程度、穩(wěn)定程度影響著目標(biāo)跟蹤的效果，背景中的干擾因素主要包括：光線亮度的變化，使背景顏色也發(fā)生變化；背景中物體的變動，當(dāng)背景中增加、移去或者移動某些景物并持續(xù)一段時間時，背景發(fā)生變化，應(yīng)及時更新背景；背景中存在與目標(biāo)特征類似的物體時，將增加目標(biāo)跟蹤的難度，可能使跟陰影問題，陰影屬于非運(yùn)動目標(biāo)區(qū)域，但是與背景顏色上存在差別，給運(yùn)動目標(biāo)檢測帶來目標(biāo)外觀變化和不同目標(biāo)外觀的區(qū)分：目標(biāo)外觀特征包括目標(biāo)形狀和紋理等信息，對于非剛性目標(biāo)，由于目標(biāo)比例和形狀的變化以及目標(biāo)運(yùn)動的不確定性(機(jī)動目標(biāo))，很容易發(fā)生跟蹤失敗。在監(jiān)控視頻中，目標(biāo)外觀往往非常相似，如何選取合適的特征以較好的區(qū)分不同目標(biāo)外觀來實(shí)現(xiàn)準(zhǔn)確的數(shù)據(jù)關(guān)聯(lián)。實(shí)時性要求：視頻圖像含有大量的數(shù)據(jù)，要保證目標(biāo)跟蹤的實(shí)時性要求，必須選擇計算量小的算法，但是目標(biāo)跟蹤另一個重要性能是跟蹤的準(zhǔn)確性，而準(zhǔn)確性的保證往往是在復(fù)雜運(yùn)算和處理的基礎(chǔ)上的，這就造成了兩者的矛盾。一個好的運(yùn)動目標(biāo)跟蹤系統(tǒng)必須要兼顧兩者，要對兩個性能指標(biāo)加以平衡。3多目標(biāo)關(guān)聯(lián)方法概述正是由于上述問題的存在，研發(fā)具有魯棒性、實(shí)用性的多目標(biāo)關(guān)聯(lián)算法一直是無重疊視域目標(biāo)跟蹤的難點(diǎn)。隨著其它學(xué)科(如生物學(xué)、計算機(jī)圖形學(xué)、概率論與統(tǒng)計學(xué)、隨機(jī)過程等)的發(fā)展，多目標(biāo)關(guān)聯(lián)的新思路、新方法層出不窮。以下對近年來國內(nèi)外解決多目標(biāo)核心問題的主流方法進(jìn)行總結(jié)與分析，并比較各方法的優(yōu)缺點(diǎn)。單攝像頭運(yùn)動目標(biāo)提取運(yùn)動目標(biāo)檢測是目標(biāo)關(guān)聯(lián)的前提，只有在目標(biāo)被檢測出之后，才能對被檢測出的目標(biāo)進(jìn)行關(guān)聯(lián)。運(yùn)動目標(biāo)檢測獨(dú)立的運(yùn)動目標(biāo)，便于后續(xù)的特征提取和關(guān)聯(lián)等過程。運(yùn)動目標(biāo)檢測技術(shù)已經(jīng)有動目標(biāo)檢測方法：幀間差分法[1,2]、背景差分法[3-9]和光流法[10]。其中光流法計算大都相當(dāng)復(fù)雜，且抗噪性能差，難以實(shí)時應(yīng)用，幀間差分法和背景差分法是目前最廣泛的運(yùn)動目標(biāo)檢測方法[2]。運(yùn)動目標(biāo)檢測通常采用以下幾種方法[5-6]： (1)幀間差分法：基本思想是將視頻中相鄰兩幀或多幀圖像做差分，然后利用閾值進(jìn)行分割，將超過閾值的當(dāng)做前景，其他的當(dāng)做背景。優(yōu)點(diǎn)是實(shí)時性好，算法復(fù)雜性比較小，容易實(shí)現(xiàn)。缺點(diǎn)是目標(biāo)內(nèi)部一般會有不連續(xù)的空洞。 (2)背景差分法：背景差分法是視頻監(jiān)控中最為常見的運(yùn)動目標(biāo)檢測方法，它的基本思想是將當(dāng)前幀圖像與參考背景圖像做差分運(yùn)算，然后設(shè)定一定的閾值來檢測運(yùn)動目標(biāo)。背景差分法的關(guān)鍵是背景圖像的選取和背景模型的建立。最簡單方法是直接從視頻中抽取一幀圖像或者對一段時間內(nèi)的視頻序列中每個像素做均值濾波或中值濾波，然后將得到的圖像作為參考背景圖像。目前研究人員大多數(shù)都在研究如何開發(fā)不同的背景模型，期望建立更加合理的背景模型并對其及時進(jìn)行更新，希望借此能夠抵消背景的干擾和變化。從上世紀(jì)末至今，出現(xiàn)了一大批背景差分法的方法，比如但能直接采用背景差分法，本文在第二章中針對多攝像機(jī)環(huán)境下背景擾動的問題進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明利用改進(jìn)的扭曲背景差分模型，可以有效去除背景擾動的影響，一定程度上提高了檢測的準(zhǔn)確率。(3)光流法：基于光流法的運(yùn)動目標(biāo)檢測是利用了運(yùn)動目標(biāo)隨時間變化的光流特性，為視頻序列中每一個像素點(diǎn)賦予一個速度矢量，從而對應(yīng)產(chǎn)生一個運(yùn)動場，一般情況下認(rèn)為光流場對應(yīng)于運(yùn)動場，研究光流場就是為了從圖像序列中近似計算得到運(yùn)動場的信息，然后根據(jù)各個像素點(diǎn)的速度矢量特征，實(shí)現(xiàn)圖像序列的動態(tài)分析。假如圖像序列中不出現(xiàn)運(yùn)動目標(biāo)時，光流矢量在整個圖像區(qū)域是連續(xù)動物體所形成的速度矢量就會與鄰域背景速度矢量不同，從而檢測出運(yùn)動目標(biāo)的具體位置。該算在攝像機(jī)運(yùn)動的情況下檢測運(yùn)動目標(biāo)，但計算復(fù)雜，實(shí)時性不高。單攝像頭目標(biāo)跟蹤基于多特征融合與自適應(yīng)模板的多目標(biāo)跟蹤算法的視覺特征應(yīng)該能很好的區(qū)分跟蹤目標(biāo)與背景。針對單一視覺信息描述目標(biāo)不夠充分、跟蹤目標(biāo)不夠穩(wěn)定的缺點(diǎn)，出現(xiàn)了許多基于多特征融合的多目標(biāo)跟蹤算法[11-15]。文獻(xiàn)[11]將顏色、紋理和運(yùn)動信息三個特征相結(jié)合描述目標(biāo)，該算法采用固定不變的模板，然而當(dāng)背景和目標(biāo)外觀變化時，易出現(xiàn)失跟。文獻(xiàn)[13]針對此問題提出了多特征融合與自適應(yīng)模板相結(jié)合的多目標(biāo)跟蹤算法，能有效處理模板隨時間變化的情況，但是算法計算量大。文獻(xiàn)[14]為了提高算法的實(shí)時性，基于在線自適應(yīng)模板選擇特征個數(shù)，計算量大大降低。上述文獻(xiàn)都是將多特征用于目標(biāo)描述。文獻(xiàn)[15](針對人臉)將多特征融合技術(shù)用于判斷新目標(biāo)的出現(xiàn)；基于在線學(xué)習(xí)的自適應(yīng)模板以適應(yīng)背景與目標(biāo)外觀的變化；以目標(biāo)觀測概率小于某一閾值判斷舊目標(biāo)的消失；對每一個目標(biāo)單獨(dú)建立一個粒子濾波器，實(shí)現(xiàn)多個目標(biāo)的跟蹤。該方法能在較簡單場景下自動判斷新目標(biāo)的出現(xiàn)與舊目標(biāo)的消失，處理目標(biāo)部分遮擋及背景變化，但是未能處理目標(biāo)的分裂與合并(嚴(yán)重遮擋)?；谶\(yùn)動信息的多目標(biāo)跟蹤算法目標(biāo)總數(shù)可變一直是多目標(biāo)跟蹤中的難點(diǎn)，有效地對可變數(shù)量目標(biāo)的判定取決于目標(biāo)檢測的準(zhǔn)確度。目標(biāo)的運(yùn)重要特征，運(yùn)動檢測技術(shù)包括光流法、差分法等。目前，比較常用的是差分法。文獻(xiàn)[16]變形、遮擋以及多目標(biāo)跟蹤中常分法,差分值分別代表背景和目標(biāo)。當(dāng)目標(biāo)數(shù)量發(fā)生變化時,采用基于相交區(qū)域面積的關(guān)聯(lián)矩陣判斷場景中各種特殊情況的發(fā)生。當(dāng)目標(biāo)輕微合并時，采用基于顏色直方圖的均值漂移算法分別跟蹤合并在一塊的各個目標(biāo)，當(dāng)目標(biāo)分裂時，要判斷分裂出的目標(biāo)屬于遮擋前的哪一個目標(biāo)，用巴氏距離表示分裂前各目標(biāo)和分裂后目標(biāo)直方圖的關(guān)聯(lián)度，取最大值者作為關(guān)聯(lián)目標(biāo)。于3D空間的多目標(biāo)跟蹤算法現(xiàn)實(shí)世界中的物體都是三維的，而人眼所獲得的圖像是二維的，對2D圖像來說目標(biāo)間容易出現(xiàn)遮擋，而對3D圖像來說每個目標(biāo)只有一個位置，可有效地解決多目標(biāo)間遮擋問題。因此，有些研究者對基于3D的多目標(biāo)跟蹤算法[17-19]進(jìn)行了研究。這里的3D體現(xiàn)在：3D模型描述目中。利用目標(biāo)空間位置的惟一性，能對嚴(yán)重遮擋的人進(jìn)行較準(zhǔn)確地跟蹤。3D模型可有效地處理目標(biāo)分裂與合并問題，文獻(xiàn)[19]提出了基于MCMC的3D多目標(biāo)獻(xiàn)[19]中使用單攝像頭機(jī)制。文中用兩個橢圓體表示一個目標(biāo)，用3D坐標(biāo)表示狀態(tài)向量。對多目標(biāo)用聯(lián)合狀態(tài)空間表示。采用一階動態(tài)模型傳遞狀態(tài)，利用此狀態(tài)參數(shù)得到對背景建模，利用背景差分法得到背景提取二值圖，計算兩個二值圖相交區(qū)域像素點(diǎn)個數(shù)與相并區(qū)域像素點(diǎn)個數(shù)的比值，此值作為狀態(tài)權(quán)值，選擇權(quán)值大的部分粒子的狀態(tài)平均和作為目標(biāo)的最優(yōu)位置估計。多目標(biāo)關(guān)聯(lián)目標(biāo)關(guān)聯(lián)是指把在不同時刻出現(xiàn)在不同攝像機(jī)前的目標(biāo)進(jìn)行關(guān)聯(lián)，從而識別出相同的目標(biāo)，實(shí)現(xiàn)不同攝像機(jī)中同一目標(biāo)的對應(yīng)。這里的關(guān)聯(lián)不同于傳統(tǒng)單目攝像機(jī)跟蹤理論中的目標(biāo)關(guān)聯(lián)，由于目標(biāo)物體在不同攝像機(jī)前的顏色、形狀和攝像機(jī)的觀測距離、觀測角度等方面的巨大的差異，以及各個攝像機(jī)的內(nèi)部參數(shù)和監(jiān)控區(qū)域中光照等環(huán)境條件的不同等種種復(fù)雜的原因，傳統(tǒng)計算機(jī)視覺理論中無重疊視域攝像機(jī)之間的目標(biāo)關(guān)聯(lián)[20,21]需要建立適合自己特殊問題的新的理論體系。目前已有的關(guān)聯(lián)方法主要包括對目標(biāo)建立表現(xiàn)模型 (AppearanceModel)，目標(biāo)在不同攝像機(jī)中的表現(xiàn)模型之間的轉(zhuǎn)移模型(TransferModel)的估計，以及表現(xiàn)模型相似度的估計等研究內(nèi)容。表現(xiàn)模型是指利用目標(biāo)物體在不同攝像機(jī)前出現(xiàn)時表現(xiàn)出的特征所建立的模型。這些特征主要包括顏色特征、點(diǎn)特征、線特征、區(qū)域特征、幾等。在已有的研究成果中，研究者往往選取這些特征中的一種或幾種聯(lián)合建立表現(xiàn)模型來參與關(guān)聯(lián)。在特征提取的過程中，某些特征需要先對攝像機(jī)進(jìn)行標(biāo)定，例如：點(diǎn)特征、幾何特征[22]；然而，考慮到隨著攝像機(jī)數(shù)量的急劇增加，對每個攝像機(jī)都進(jìn)行標(biāo)定和對應(yīng)變得愈發(fā)困難，所以現(xiàn)有的研究工作大都采用不事先標(biāo)定攝像機(jī)的方法進(jìn)行特征抽取與關(guān)聯(lián)。另外，為了彌補(bǔ)不同檢測視頻中同一目標(biāo)的表現(xiàn)模型之間的變化差異，轉(zhuǎn)移模型的估計就顯得非常重要。而且，在衡量表現(xiàn)模型之間相似度的過程中，針對不同表現(xiàn)模型的相似度度量方法也同2.1.1基于線特征的方法由于剛體目標(biāo)的線特征比較容易抽取，而且對光照、時地點(diǎn)等環(huán)境變化不敏感，因此，線特征在車輛目標(biāo)關(guān)uo研究組近幾年一直在研究高速公路環(huán)境中多攝像機(jī)監(jiān)控下的車輛關(guān)聯(lián)和跟蹤問題。他們針對車輛的剛體特征采用了以線特征為基礎(chǔ)，其它特征為輔助的表現(xiàn)模型建構(gòu)方法。文獻(xiàn)[23,25]提出了一個非監(jiān)督學(xué)習(xí)的方法來提取視頻中車輛的線特征，然后基于線特征來關(guān)聯(lián)車輛，這個方法在兩個視頻中車輛的形狀差別很小的情況下取得了不錯的效基于線特征，文獻(xiàn)[24]不直接對車輛的表現(xiàn)模型進(jìn)行關(guān)聯(lián)，而是首先對不同的攝像機(jī)建立各自的關(guān)于觀測目標(biāo)的內(nèi)嵌原型(EmbeddingPrototype),然后通過內(nèi)嵌原型間接地進(jìn)行關(guān)聯(lián)，這樣做在某種程度上提高了算法對目標(biāo)形狀和姿態(tài)變化的魯棒性。文獻(xiàn)[26-28]在基于線特征的方法基礎(chǔ)上，首次融合點(diǎn)特征、區(qū)域特征等特征共同建立表現(xiàn)模型對車輛進(jìn)行關(guān)聯(lián)。由于多種特征的融合關(guān)聯(lián)，這使得她們的算法可以在小于30度的姿態(tài)變化條件下取得大于90%的關(guān)聯(lián)準(zhǔn)確率。在[24]的研究基礎(chǔ)上，文獻(xiàn)[29]把原型內(nèi)嵌和內(nèi)嵌轉(zhuǎn)移相結(jié)合，提出了更加適應(yīng)目標(biāo)姿態(tài)、光照條件和分辨率等大幅度變化的關(guān)聯(lián)算法。2.1.2基于顏色特征的方法顏色特征由于具有很好的區(qū)分性，因此成為眾多特征中被n究室內(nèi)監(jiān)控環(huán)境下行人的關(guān)聯(lián)跟蹤。他們通過在線k均值聚類的方法建立了一種最大顏色光譜直方圖表示模型 MCSHR型的相似度估計算法；而且，他們還進(jìn)一步利用相鄰的3-5幀圖像建立累積的最大顏色光譜直方圖表示模型(IMCSHR)來克內(nèi)目標(biāo)的小幅度姿態(tài)變化。除此之外，在文獻(xiàn)[33]還嘗試采用監(jiān)控視頻中人的身高作為關(guān)聯(lián)的特征要素，并給出了身高的估計算法。在利用顏色特征方面，還有許多研究者做出了有意義的工作。例如：Orwell等人[34]采用兩種方法對目標(biāo)的顏色直方圖進(jìn)行建模，一種是混合高斯參數(shù)化和交叉熵距離測量相結(jié)合的方法，另一種則是最大熵編碼和χ2距離測量相結(jié)合的方法，實(shí)驗(yàn)表明這兩種方法都具有不錯的效果。Bowden[35]和Gilbert[36,37]等人先把目標(biāo)的顏色直方圖進(jìn)行芒賽爾顏色空間的一致顏色轉(zhuǎn)換(CCCM)，然后進(jìn)行關(guān)聯(lián)，這種方法對于低解析度目標(biāo)的關(guān)聯(lián)體現(xiàn)了很好的效果；其中，文獻(xiàn)[19]還利用直方圖轉(zhuǎn)移矩陣的估計來提高關(guān)聯(lián)的準(zhǔn)確性。Park等人[38]把目標(biāo)行人的前景圖像從上到下分為三部分，用下兩部分顏色的色調(diào)作為主要顏色特征，再結(jié)合目標(biāo)身高等特征來參與關(guān)聯(lián)計算。在處理不同攝像機(jī)之間的顏色變色直方圖的非參數(shù)非線性顏色轉(zhuǎn)移函數(shù)模型和相關(guān)的距離標(biāo)的顏色直方圖建立了不同視頻之間的亮度轉(zhuǎn)移函數(shù) (BTF)，他們的函數(shù)包含光照、場景幾何，以及攝像機(jī)的間等參數(shù)。他們還證明了這些參數(shù)可以用低維空間參數(shù)來表示，并使用概率主成分分析(PPCA)的方法實(shí)現(xiàn)了降維計算。同樣是估計顏色轉(zhuǎn)移函他們的算法體現(xiàn)了更好的關(guān)聯(lián)性能。4無重疊視域多目標(biāo)關(guān)聯(lián)技術(shù)的未來發(fā)展方向多目標(biāo)關(guān)聯(lián)技術(shù)是計算機(jī)科學(xué)、機(jī)器視覺、圖像處理、人工智能、模式識別等多學(xué)科的結(jié)合，是一個尚在發(fā)展中的研究方向，還有很多技術(shù)難點(diǎn)有待解決。通過對多目標(biāo)關(guān)聯(lián)的難點(diǎn)及其相關(guān)方法的分析，多目標(biāo)關(guān)聯(lián)技術(shù)研究未來的發(fā)展方向?yàn)椋阂?、結(jié)合模式識別和機(jī)器學(xué)習(xí)相關(guān)算法提高決策準(zhǔn)確率；二、研究更為準(zhǔn)確的目標(biāo)表現(xiàn)模5結(jié)束語本文對無重疊視域多目標(biāo)關(guān)聯(lián)相關(guān)的問題和技術(shù)進(jìn)行了綜述。目前，無重疊視域多多目標(biāo)關(guān)聯(lián)算法的一般流程是：基于運(yùn)動特征、差分法或分類器檢測出目標(biāo)，然后對目標(biāo)進(jìn)行單攝像頭跟蹤，在跟蹤過程中提取出較好的目標(biāo)特征，最后在多攝像頭間進(jìn)行相同目標(biāo)的關(guān)聯(lián)。國內(nèi)外眾目標(biāo)關(guān)聯(lián)算法具有廣闊的研究前景。[1]TANJi-yuan,WUCheng-dong,ZHOUYun,HOUJun,WANGQiaoqiao,Researchofabnormaltargetalgorithminintelligentsurveillancesystem,Mechanical&ElectricalEngineeringMagazine,vol.26,,March2009.[2]ValeraM，Velastin．Intelligentdistributedsurveillancesystems[J]．IEEProc．VisionImageSignalProcess，2005，152(2)：192-204[3]C.StaufferandW.Grimson.Learningpatternsofactivityusingreal-timetracking.IEEETransactionsonPatternAnalysisandMachine[4]Z.ZivkovicandF.vanderHeijden.Efficientadaptivedensityestimationperimagepixelforthetaskofbackgroundsubtraction.Pattern[5]YongquanXia;ShaohuiNing;HanShen;,"Movingtargetsdetectionalgorithmbasedonbackgroundsubtractionandframessubtraction,"IndustrialMechatronicsandAutomation(ICIMA),20102ndInternationalConferenceon,,no.,,30-31May2010[6]V.Reddy,C.Sanderson,andB.C.Lovell.Robustforegroundobjectsegmentationviaadaptiveregion-basedbackgroundmodelling.InInternationalConferenceonPatternRecognition(ICPR),Turkey,2010.[8],Effcientnonparametrickerneldensityestimationforrealtimecomputervision,.thesis,Rutgers,TheStateUniversityofNewJersey(2002).backgroundsubtractionusingadaptivekerneldensityestimation,"CVPR2004.processwithscaleinvariantlocalpatternsforbackgroundsubtractionincomplexscenes,"CVPR2010techniques,"ComputerVisionandPatternRecognition,1992.ProceedingsCVPR'92.,1992[12]TakalaV,PietikainenM.Multi-objecttrackingusingcolor,textureandmotion.VS,2007:1－7.[13]MaLL,ChengJian,LuHQ.Multi-cuecollaborativekerneltrackingwithcrossratioinvariant,2008:665－672.[14]KumarP,BrooksMJ.Anadaptivebayesiantechniquefortrackingmultipleobjects.PatternRecognition,2007:657－665.[15]LiZ.,GongHF,ZHuSC.Dynamicfeaturecascadeformultipleobjecttrackingwithtrackability,2007:350~361.[16]PernkopfF.Trackingofmultipletargetsusingonlinelearningforreferencemodeladaptation.IEEETransonSMC-B,2008,38(6):1465－1475.[17]常發(fā)亮,馬麗,喬誼正.視頻序列中面向人的多目標(biāo)跟蹤算法.控制與決策,2007,22(4):418－422.[18]OsawaTS,WuXJ,WakabayashiKR.Humantrackingbyparticlefilteringusingfull3dmodelofbothtargetandenvironmentusingfull3dmodelofbothtargetandenvironment.ICPR,2006.[19]YaoJian,OdobezJM.Multi-camera3Dpersontrackingwithparticlefilterinasurveillanceenvironment.EUSIPCO,2008:25－29.[20]OsawaT,SudoK,AraiH.Monocular3DtrackingofmultipleinteractingTargets.ICPR,2008:1－4.[21]劉少華.非重疊監(jiān)控攝像機(jī)網(wǎng)絡(luò)中目標(biāo)跟蹤與識別算法[22]孔慶杰.面向廣域視頻監(jiān)控的無重疊視域多攝像機(jī)目J識別學(xué)術(shù)會議論文集，2007.[23]NilsTSiebel,StephenJMayban.TheADVISORVisualSurveillanceSystem[A].In:ProceedingsoftheECCVWorkshoponApplicationsofComputerVision[C],Prague,2004:103-111.[24],’Orazio,.Movingobjectsegmentationbybackgroundsubtractionandtemporalanalysis[J].ImageandVisionComputing,2006,24(5):411-423[25]StaufferC,GrimsonWEL.AdaptiveBackgroundMixtureModelsforReal-TimeTracking.InProc.ComputerVisionandPatternRecognition1999(CVPR‘99),June1999.[26]ElgammalA,HarwoodD,DavisL,Non-parametricModelforbackgroundSubtraction.InProc.OfICCV’99FRAME-RATEWorkshop,1999.[27]HanB,ComaniciuD,DavisL,Sequntialkerneldensityapproximationthroughmodeprogagation:applicationstobackgroundmodeling.InProc.ACCV-AsianConf.OnComputerVision,2004.[28]KimK,ChalidabhongseTH,HarwoodD,DavisL.Real-timeforground-backgroundsegmentusingcodebookmodel.Real-TimeImaging,2005.[29]RobertTCollins,AlanJLipton,TakeoKanade,etal.AsystemforvideoSurveillanceandMonitoring[R].Pittsburgh:CarnegieMellonUniversity,2000:1-68.[30],’Orazio,.Movingobjectsegmentationbybackgroundsubtractionandtemporalanalysis[J].ImageandVisionComputing,2006,24(5):411-423[31]李毅,孫正興,遠(yuǎn)博.一種改進(jìn)的幀差和背景減相結(jié)合的運(yùn)動檢測方法[J].中國圖象圖形學(xué)報,2009,14(5):1162-1168.[32]楊濤，李靜潘泉，一種基于多層背景模型的前景檢測J].中國圖象圖形學(xué)報，2008,13(7)：1301-1308運(yùn)動目標(biāo)檢測方法[J].計算機(jī)應(yīng)用,2010,30(1):71-74backgroundsubtraction[C].IEEEConferenceonComputerVisionandPatternRecognition,2010,1:[35]Sh