張益男++袁杰

摘 要： 伴隨視頻監(jiān)控系統(tǒng)的普及，多攝像機(jī)智能視頻監(jiān)控技術(shù)得到了廣泛的研究和應(yīng)用。特別是視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)分割、運(yùn)動(dòng)目標(biāo)跟蹤和多攝像機(jī)協(xié)同技術(shù)，成為計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn)。單攝像機(jī)跟蹤常被應(yīng)用的監(jiān)控范圍限制，當(dāng)監(jiān)控場(chǎng)景是一個(gè)室外環(huán)境或需要一個(gè)較大的觀測(cè)范圍時(shí)，常需要多攝像機(jī)進(jìn)行多物體跟蹤。為了建立一套有效的多攝像機(jī)智能監(jiān)控系統(tǒng)，提出一種基于攝像機(jī)視野的重疊區(qū)域的協(xié)同監(jiān)控方法，找出重疊區(qū)域的邊界線(xiàn)即場(chǎng)邊界線(xiàn)，旨在解決單攝像機(jī)監(jiān)控范圍有限的問(wèn)題，實(shí)現(xiàn)對(duì)某一場(chǎng)景進(jìn)行全景監(jiān)控。在多攝像機(jī)系統(tǒng)中各個(gè)攝像機(jī)的場(chǎng)邊界線(xiàn)在其他攝像機(jī)中可見(jiàn)的情況下，給出尋找它們的方法?；诖耍苫敬_定在多攝像機(jī)中的運(yùn)動(dòng)目標(biāo)對(duì)應(yīng)關(guān)系，獲取多攝像機(jī)的拓?fù)潢P(guān)系。

關(guān)鍵詞： 運(yùn)動(dòng)目標(biāo)檢測(cè)； 多攝像機(jī)協(xié)同； 場(chǎng)邊界線(xiàn)； 全景監(jiān)控

中圖分類(lèi)號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）21?0006?05

Research on multi?camera intelligent monitoring system based on field of view lines

ZHANG Yinan1， YUAN Jie2

（1. School of Information Science and Engineering， Jinling College of Nanjing University， Nanjing 210089， China；

2. School of Electronic Science and Engineering， Nanjing University， Nanjing 210093， China）

Abstract： With the popularization of video monitoring system， the multi?camera intelligent video monitoring technology has been widely studied and applied. The moving object detection and segmentation， moving target tracking， and multi?camera coo?peration technology have become the research focus in computer vision field. Single camera tracking is limited by the monitoring scope. When the monitoring scene is an outdoor environment or needing a larger monitoring scope， multi?camera are required to track multi?object. A coordination monitoring method of overlapping region based on camera visual field is proposed to establish an effective multi?camera intelligent monitoring system. The field of view （FOV） lines are found out in the overlapping region to solve the limited monitoring scope of the single camera. The panorama monitoring for a certain scene is realized. The way how to find the FOV lines in multi?camera system is provided when each camera′s FOV lines can be seen by other cameras. The corresponding relationships of moving object in multi?camera can be ensured basically， and the topological relation of multi?camera can be acquired.

Keywords： moving object detection； multi?camera cooperation； field of view line； panorama monitoring

0 引 言

跟蹤移動(dòng)物體是計(jì)算機(jī)視覺(jué)中一個(gè)極為重要的問(wèn)題。它在監(jiān)控、人體動(dòng)作識(shí)別分析、交通[1]等眾多領(lǐng)域都有極為重要的應(yīng)用。單攝像機(jī)跟蹤常被其應(yīng)用的監(jiān)控范圍限制。多攝像機(jī)監(jiān)控系統(tǒng)在室內(nèi)室外均可運(yùn)用，特別在銀行、大型商場(chǎng)、機(jī)場(chǎng)等有著廣泛運(yùn)用。即使在一些最簡(jiǎn)單的場(chǎng)景人們也越來(lái)越傾向于使用多攝像機(jī)監(jiān)控，首先因?yàn)閱螖z像機(jī)由于它有限的視野不可能提供足夠的場(chǎng)景覆蓋，其次多攝像機(jī)監(jiān)控在面對(duì)如遮擋等問(wèn)題時(shí)能有更強(qiáng)的魯棒性。現(xiàn)今流行的兩種多攝像機(jī)跟蹤策略分別是特征匹配法和依據(jù)3D信息的方法，前者運(yùn)算量太大，不適用于實(shí)時(shí)系統(tǒng)，也有可能造成關(guān)鍵特征點(diǎn)的大量丟失，實(shí)用性不強(qiáng)，后者一般很難建立它的3D模型，即使可以建立，工作量也非常巨大，需要的場(chǎng)景信息也較復(fù)雜。因此，上述算法均不算十分成熟。本文提出一種基于攝像機(jī)視野的重疊區(qū)域的協(xié)同監(jiān)控方法。

1 基于自適應(yīng)背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)和分割

運(yùn)動(dòng)檢測(cè)從攝像機(jī)獲取的視頻數(shù)據(jù)中通過(guò)建立背景模型、分割運(yùn)動(dòng)區(qū)域的手段檢測(cè)得到感興趣的目標(biāo)運(yùn)動(dòng)區(qū)域。運(yùn)動(dòng)目標(biāo)分割是通過(guò)檢測(cè)出的運(yùn)動(dòng)區(qū)域的后續(xù)處理，一般通過(guò)形態(tài)學(xué)的處理或一些其他的判別手段剔除如光線(xiàn)差異、物體晃動(dòng)所帶來(lái)的影響，將真正的運(yùn)動(dòng)物體與一些噪聲、偽運(yùn)動(dòng)物體分開(kāi)。目前對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)和分割的研究很多，最普遍的算法有三種：背景減除法[2]、光流法和幀間差分法[3?4]。背景減除法比較簡(jiǎn)單，但是對(duì)場(chǎng)景的動(dòng)態(tài)變化比較敏感。光流法復(fù)雜性太高，且易受噪聲影響，難以符合視覺(jué)監(jiān)視系統(tǒng)實(shí)時(shí)處理的要求。幀間差分法常需要大量的后續(xù)處理，比如采用多幀的變化檢測(cè)。

通常攝像機(jī)固定不動(dòng)，只會(huì)有運(yùn)動(dòng)物體變化。由于可能沒(méi)有一個(gè)初始的場(chǎng)景情況，所以想獲取完整正確的背景是很難的，并且由于場(chǎng)景中可能出現(xiàn)諸如光線(xiàn)之類(lèi)的變化，背景的變化也是比較大的，所以要對(duì)背景進(jìn)行實(shí)時(shí)更新。因此可采用基于動(dòng)態(tài)矩陣的自適應(yīng)背景更新算法，該法簡(jiǎn)單有效，且能適應(yīng)陰影、光照變化以及攝像機(jī)抖動(dòng)等情況。

2 基于改進(jìn)的均值偏移算法的運(yùn)動(dòng)目標(biāo)跟蹤

均值偏移（MeanShift）最早由Fukunaga等人于1975年在一篇關(guān)于概念密度梯度函數(shù)估計(jì)的論文中提出來(lái)。此算法一般指一個(gè)迭代的步驟，即先算出當(dāng)前點(diǎn)的偏移向量，移動(dòng)該點(diǎn)到其偏移均值處，然后以此為新的起始點(diǎn)，重復(fù)上述步驟繼續(xù)移動(dòng)，直到滿(mǎn)足一定的條件結(jié)束。MeanShift算法只在局部范圍內(nèi)進(jìn)行窮盡搜索，因此算法的計(jì)算量很小，在實(shí)時(shí)性要求較高的目標(biāo)跟蹤系統(tǒng)中已經(jīng)得到成功的應(yīng)用[5?8]。

本文選定的建模方法基于顏色模型，一般認(rèn)為在單一攝像頭下，正常情況物體的顏色信息變化不會(huì)很大。而在多攝像機(jī)情況下，可能觀察同一個(gè)人從前面和后面看，顏色信息差距很大，可能衣服正面和背面是不同的底色。所以通過(guò)顏色模型進(jìn)行跟蹤僅在單攝像機(jī)情況下適用，到了多攝像機(jī)聯(lián)合情況下，需要采用下文講述的基于場(chǎng)邊界線(xiàn)的跟蹤方法。實(shí)際采集的視頻信息都采用RGB顏色模型，但是該顏色模型對(duì)光照（亮度）影響較為敏銳，不適于利用它進(jìn)行被跟蹤物體的特征提取，所以需要把視頻信息由RGB轉(zhuǎn)換為HSV模型。

如圖1所示，紅線(xiàn)框中的汽車(chē)為檢測(cè)出的運(yùn)動(dòng)目標(biāo)，統(tǒng)計(jì)它的顏色直方圖分布，用于下文計(jì)算。當(dāng)建立被跟蹤物體的顏色色相分布模型后，可通過(guò)反向投影的方法結(jié)合MeanShift算法進(jìn)行跟蹤。反向投影即將統(tǒng)計(jì)的直方圖中的數(shù)據(jù)概率分布情況按照查表的方式對(duì)應(yīng)回去，它可簡(jiǎn)單地把目標(biāo)概率分布映射到所要觀測(cè)的圖像中。

在實(shí)際圖像處理下，有時(shí)圖片的顏色信息會(huì)非常豐富，統(tǒng)計(jì)直方圖的值會(huì)很多，會(huì)難以設(shè)置閾值進(jìn)行較為準(zhǔn)確的劃分。一般來(lái)說(shuō)，感興趣的運(yùn)動(dòng)物體的顏色信息不會(huì)太復(fù)雜，往往顏色信息會(huì)有一個(gè)聚集的特性，在圖像中的表現(xiàn)就是比較相近的顏色集中在一起。反向投影會(huì)降低顏色的種類(lèi)數(shù)量，但是卻不會(huì)改變圖像的主要顏色信息特征，在下面處理后的圖像中可以看到反向投影的明顯作用。

實(shí)際處理中，可將上述步驟改進(jìn)。設(shè)定一定的閾值，當(dāng)該顏色信息在直方圖中的值高于一定值時(shí)，才將實(shí)際圖像中該顏色信息用黑色替代（后期計(jì)算時(shí)值可以設(shè)置為一個(gè)較大的數(shù)），而直方圖中小于閾值的其他顏色信息被去掉。這樣便于和改進(jìn)后的MeanShift算法合作。可由圖1處理得到圖2。

由圖2可發(fā)現(xiàn)，右下角被跟蹤的車(chē)的主體輪廓已經(jīng)完全呈現(xiàn)，為后面運(yùn)用MeanShift算法提供了極大的便利，可以獲得很好的效果。然后運(yùn)用MeanShift算法每次計(jì)算出目標(biāo)框的重心，判別該框內(nèi)的概率分布圖像是否與模板的顏色分布特征很相似，如果符合，那么停止迭代計(jì)算；不然修正搜索框的位置和大小，直到搜索框的移動(dòng)距離在某一閾值內(nèi)或者迭代達(dá)到一定次數(shù)時(shí)，才結(jié)束該算法，并最終確定一個(gè)最佳的搜索框位置。如圖3所示。

3 多攝像機(jī)協(xié)同監(jiān)控

本文提出一種基于攝像機(jī)視野的重疊區(qū)域的協(xié)同監(jiān)控方法。該方法主要找出重疊區(qū)域的邊界線(xiàn)，即場(chǎng)邊界線(xiàn)（Field of View Lines，F(xiàn)OV Lines），實(shí)現(xiàn)多攝像機(jī)協(xié)同監(jiān)控的目的。本方法不需要標(biāo)定好攝像機(jī)。按前面方法可得到在單個(gè)攝像機(jī)中物體的運(yùn)動(dòng)軌跡，那么在多攝像機(jī)中只需建立同一物體運(yùn)動(dòng)軌跡的關(guān)聯(lián)即可。理想情況是，當(dāng)一個(gè)新的物體被發(fā)現(xiàn)時(shí)，關(guān)于它的軌跡便立刻被關(guān)聯(lián)。系統(tǒng)通過(guò)計(jì)算場(chǎng)邊界線(xiàn)來(lái)實(shí)現(xiàn)。具體來(lái)說(shuō)，場(chǎng)邊界線(xiàn)是一個(gè)攝像機(jī)視野在其他攝像機(jī)視野范圍內(nèi)的邊緣界限，通過(guò)這些線(xiàn)來(lái)建立同一物體軌跡間的聯(lián)系，它們同樣可以指出這個(gè)物體可以被這個(gè)攝像機(jī)系統(tǒng)中的哪些攝像機(jī)觀測(cè)到[9?10]。對(duì)于單攝像機(jī)監(jiān)控可能出現(xiàn)的錯(cuò)誤（比如阻隔），在多攝像機(jī)系統(tǒng)中易于被修正。

假設(shè)在所有攝像機(jī)中地平面可見(jiàn)，攝像機(jī)視頻序列是同步的，攝像機(jī)視野都是有重疊的（兩個(gè)攝像機(jī)間可以沒(méi)有重疊區(qū)域，但必有攝像機(jī)與它兩個(gè)都有關(guān)聯(lián)），這個(gè)假設(shè)并不苛刻。如果一個(gè)人消失在所有的攝像機(jī)范圍中，當(dāng)他再次出現(xiàn)時(shí)，他會(huì)被當(dāng)成一個(gè)新的物體。定義第[i]個(gè)攝像機(jī)的圖像為[Ci（x，y）]。[Ci]的覆蓋范圍在空間上實(shí)際是一個(gè)四棱錐，它的頂點(diǎn)是攝像機(jī)的投影中心，在圖像平面上的四條邊分別為[x=0，x=xmax，][y=0，][y=ymax。]定義[S]是圖像平面上四條邊的集合，用小寫(xiě)[s]表示四條邊的任意一條。地平面與四棱錐相交的四條邊為圖像中足跡的實(shí)際邊界，稱(chēng)為三維場(chǎng)邊界線(xiàn)。由于不同攝像機(jī)視野范圍會(huì)有重疊，所以一個(gè)攝像頭的場(chǎng)邊界線(xiàn)會(huì)出現(xiàn)在另一個(gè)攝像頭的視野中（如圖4所示）。如果[Li，s]是一條三維場(chǎng)邊界線(xiàn)，它表示[Ci]的視野限制的[s]邊，那么[Li，sj]表示[Ci]中的[Ci]的[s]邊場(chǎng)邊界線(xiàn)。接下來(lái)介紹假設(shè)已經(jīng)知道了這些線(xiàn)，如何來(lái)解決連續(xù)跟蹤定位的問(wèn)題。

定義任意[t]時(shí)刻出現(xiàn)在[Ci]的第[k]個(gè)物體為[Oik]。[Oik]表示[Ci]中能看見(jiàn)的所有物體（如[Oi=Oi1，Oi3]表示現(xiàn)在時(shí)間在[Ci]中有兩個(gè)物體，分別標(biāo)記為1，3）。物體的定位被估計(jì)為一點(diǎn)[（x，y），]它是物體邊界框的下底框中心點(diǎn)。如[（xik，yik）=?（Oik），]其中[?（.）]返回的是物體邊框底部中心的那一點(diǎn)。人體的腳被選為是表示該人坐標(biāo)的那一點(diǎn)，而且對(duì)于不同攝像機(jī)的光線(xiàn)也會(huì)在地平面上的這一點(diǎn)交匯（假設(shè)圖像中的人都是站立的）。對(duì)于多攝像機(jī)的物體跟蹤實(shí)際就是建立[Oim?Ojn。]若場(chǎng)邊界線(xiàn)已知，[Li，sj]將圖像分割成兩部分，一部分在場(chǎng)邊界線(xiàn)里面，另一部分在外部。定義函數(shù)[Li，sj（x，y）]，如果點(diǎn)[（x，y）]在[Ci]可見(jiàn)，則函數(shù)返回一個(gè)大于0的數(shù)；如果該點(diǎn)在[Ci]中不可見(jiàn)，則函數(shù)返回一個(gè)小于0的數(shù)；如果該點(diǎn)在場(chǎng)邊界線(xiàn)上，則函數(shù)返回值即為0。

基于上述定義，可知[Ci]中的物體[Oik]是否在另一個(gè)攝像機(jī)視野中。注意有些情況下并不是一個(gè)攝像機(jī)的所有四條場(chǎng)邊界線(xiàn)在另一攝像機(jī)中均是可見(jiàn)的，這時(shí)會(huì)被[Ci]中可見(jiàn)的[Ci]的場(chǎng)邊界線(xiàn)的集合限制。同樣地，由于有的攝像機(jī)范圍被陰影覆蓋，這時(shí)考慮兩條場(chǎng)邊界線(xiàn)可能更加合理。在當(dāng)前場(chǎng)景中可見(jiàn)的攝像機(jī)集合[C]由式（1）給出：

以上考慮的并不是真正的進(jìn)出場(chǎng)景，而僅僅是進(jìn)出攝像機(jī)的場(chǎng)邊界線(xiàn)。實(shí)際上，很有可能一個(gè)目標(biāo)進(jìn)入場(chǎng)景卻沒(méi)有經(jīng)過(guò)任何的場(chǎng)邊界線(xiàn)，可能從場(chǎng)邊界線(xiàn)之間突然出現(xiàn)。比如當(dāng)一個(gè)人突然從門(mén)后出現(xiàn)，或者一組物體的單軌跡分裂成了多物體多軌跡（比如一個(gè)人突然從他的汽車(chē)中走出來(lái)）。這些情況不會(huì)被用來(lái)初始化系統(tǒng)。然而在跟蹤過(guò)程中，要結(jié)合其他攝像機(jī)所拍攝到的其他軌跡來(lái)綜合看這個(gè)情況。

一旦依靠場(chǎng)邊界線(xiàn)確定[Oim]和[Ojn]之間的等價(jià)關(guān)系，便可確定在這兩個(gè)攝像機(jī)中兩個(gè)物體的運(yùn)動(dòng)軌跡也是對(duì)應(yīng)的，可以依據(jù)此來(lái)盡量獲取兩個(gè)攝像機(jī)間的地平面坐標(biāo)變換關(guān)系。這點(diǎn)并不需要用復(fù)雜的投影變換，用簡(jiǎn)單的仿射變換就可以完全適用。單應(yīng)性確定后，便可以簡(jiǎn)單判別場(chǎng)景中央（非場(chǎng)邊界線(xiàn)上）突然出現(xiàn)的目標(biāo)是否進(jìn)入了監(jiān)控大環(huán)境。發(fā)現(xiàn)此類(lèi)情況時(shí)，將其依據(jù)仿射變換映射到其他攝像機(jī)的范圍內(nèi)，看在他的位置上或一個(gè)最近的位置上是否存在一個(gè)已有目標(biāo)。如果找到，那他們可以被認(rèn)為是同一個(gè)目標(biāo)，給予他們同樣的標(biāo)號(hào)。因此把這個(gè)方法看作找出攝像機(jī)間協(xié)作關(guān)系的另一方法，主要應(yīng)用在有大量重合區(qū)域的兩攝像機(jī)中。當(dāng)遇到可能多個(gè)匹配的情況，運(yùn)用這個(gè)方法可以起到部分消除誤匹配的效果。

在知道攝像機(jī)參數(shù)和地平面方程的情況下，檢測(cè)場(chǎng)邊界線(xiàn)還是一件很繁瑣的工作。而文中要在不知道這些信息的情況下，進(jìn)行連續(xù)跟蹤，找出場(chǎng)邊界線(xiàn)。檢測(cè)每條場(chǎng)邊界線(xiàn)，[Li，sj]需要知道至少兩個(gè)關(guān)鍵點(diǎn)。圖6簡(jiǎn)單介紹了檢測(cè)過(guò)程，根據(jù)兩點(diǎn)可確定出來(lái)。對(duì)于場(chǎng)邊界線(xiàn)的檢測(cè)需要知道多攝像機(jī)間的關(guān)聯(lián)關(guān)系。而簡(jiǎn)單地估計(jì)它們間的關(guān)聯(lián)關(guān)系可以通過(guò)人的肉眼觀察環(huán)境得出。估算每個(gè)可能的目標(biāo)對(duì)應(yīng)，然后挑選出那些已經(jīng)知道是對(duì)的目標(biāo)對(duì)應(yīng)再做下步處理。大多數(shù)情況下，連續(xù)跟蹤的場(chǎng)景中目標(biāo)的確定是模棱兩可的，但是簡(jiǎn)單的、沒(méi)有歧義的場(chǎng)景還是會(huì)發(fā)生的，而檢測(cè)場(chǎng)邊界線(xiàn)正是利用那些沒(méi)有歧義的關(guān)聯(lián)信息。系統(tǒng)啟動(dòng)時(shí)不知道場(chǎng)邊界線(xiàn)的信息，但是當(dāng)系統(tǒng)啟動(dòng)后，監(jiān)控了一些運(yùn)動(dòng)，就可以找出場(chǎng)邊界線(xiàn)的位置信息。一個(gè)初始化的方法是只讓一個(gè)人在這個(gè)監(jiān)控環(huán)境中隨意走動(dòng)，這樣可以找到絕對(duì)正確的相關(guān)對(duì)應(yīng)并輕松找出場(chǎng)邊界線(xiàn)。

當(dāng)場(chǎng)景存在不止一個(gè)人時(shí)，有人穿過(guò)場(chǎng)邊界線(xiàn)，在另外一個(gè)攝像機(jī)范圍內(nèi)的所有人都會(huì)被認(rèn)為是穿過(guò)場(chǎng)邊界線(xiàn)的候選目標(biāo)。然而錯(cuò)誤的匹配目標(biāo)會(huì)隨機(jī)分散在場(chǎng)邊界線(xiàn)的兩邊，而正確的關(guān)聯(lián)候選目標(biāo)會(huì)集中在一條直線(xiàn)上。因此可以采用Hough變換和RANSAC算法結(jié)合來(lái)擬合出正確的場(chǎng)邊界線(xiàn)，如圖7所示。

理想情況下，這些攝像機(jī)的場(chǎng)邊界線(xiàn)在其他攝像機(jī)的范圍里是全部可見(jiàn)的。然而實(shí)際上，很有可能一些場(chǎng)邊界線(xiàn)在另外一個(gè)攝像機(jī)中只能被看到一部分，便可能出現(xiàn)錯(cuò)誤的匹配，即使檢測(cè)了很多的目標(biāo)，同樣也不能很好地檢測(cè)出場(chǎng)邊界線(xiàn)。面對(duì)這個(gè)問(wèn)題，主要靠減少誤匹配來(lái)檢測(cè)出那些場(chǎng)邊界線(xiàn)。方法是從其他同步的攝像機(jī)中獲取的額外信息來(lái)實(shí)現(xiàn)。定義在[Ci]中不可見(jiàn)的區(qū)域?yàn)閇Vij，]可以通過(guò)觀察多攝像機(jī)范圍內(nèi)的運(yùn)動(dòng)物體來(lái)獲取不可見(jiàn)區(qū)域的信息。注意獲取所有的不可見(jiàn)區(qū)域信息本身就需要知道場(chǎng)邊界線(xiàn)（因?yàn)椴豢梢?jiàn)區(qū)域的邊界就是場(chǎng)邊界線(xiàn)），所以還是依靠一些運(yùn)動(dòng)目標(biāo)的軌跡來(lái)獲取一些信息。

但如果系統(tǒng)中有一個(gè)攝像機(jī)失效，會(huì)對(duì)整個(gè)系統(tǒng)的工作有很大影響。另外，文中假設(shè)世界是平面的，人物的腳是可見(jiàn)的，如果某些場(chǎng)景不符合這條假設(shè)，此法也會(huì)完全失效。比如，在一個(gè)有著很多家具的室內(nèi)環(huán)境，場(chǎng)邊界線(xiàn)會(huì)穿過(guò)某些家具，人物的腳也會(huì)被家具遮擋，這樣的情況下，此法就不能取得很好的效果，因?yàn)檫@時(shí)的場(chǎng)邊界線(xiàn)可能就不再是直線(xiàn)而是幾乎不可能得到的曲線(xiàn)。

4 結(jié) 語(yǔ)

本文采用的算法理論復(fù)雜度并不是太高，但卻是行之有效的方法。為滿(mǎn)足系統(tǒng)的實(shí)時(shí)性和魯棒性，對(duì)一些復(fù)雜算法進(jìn)行簡(jiǎn)化。比如在建立多攝像頭視野的幾何關(guān)系時(shí)，并沒(méi)有采用對(duì)極幾何、投影幾何的方法計(jì)算出完整的攝像機(jī)3D視野，而是簡(jiǎn)化地運(yùn)用仿射變換來(lái)實(shí)現(xiàn)?？傮w來(lái)說(shuō)，該方法簡(jiǎn)單實(shí)用，經(jīng)濟(jì)成本和時(shí)間成本都不高，在經(jīng)歷了初始化后，可以滿(mǎn)足實(shí)時(shí)性要求。

參考文獻(xiàn)

[1] 劉紹杰，張超，胡福喬，等.交通場(chǎng)景中的實(shí)時(shí)多目標(biāo)跟蹤方法[J].計(jì)算機(jī)工程，2012，38（15）：190?193.

[2] 朱一峰，陳麗華.人體運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤系統(tǒng)設(shè)計(jì)及算法仿真實(shí)現(xiàn)[J].江漢大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，40（3）：58?63.

[3] 吳垠，李良福，肖樟樹(shù)，等.基于尺度不變特征的光流法目標(biāo)跟蹤技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（15）：157?161.

[4] 袁國(guó)武，陳志強(qiáng)，龔健，等.一種結(jié)合光流法與三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2013，34（3）：668?671.

[5] LI Zheyuan， LIU Hong， XU Chao. Real?time human tracking based on switching linear dynamic system combined with adaptive MeanShift tracker [C]// Proceedings of 2011 the 18th IEEE International Conference on Image Processing. Brussels： IEEE， 2011： 329?2332.

[6] CHEN Ken， FU Songyin， SONG Kangkang， et al. A MeanShift?based imbedded computer vision system design for real?time target tracking [C]// Proceedings of 2012 the 7th IEEE International Conference on Computer Science & Education. Melbourne： IEEE， 2012： 1298?1303.

[7] 杜凱，巨永鋒，靳引利，等.自適應(yīng)分塊顏色直方圖的MeanShift跟蹤算法[J].武漢理工大學(xué)學(xué)報(bào)，2012，34（6）：140?144.

[8] 王田，劉偉寧，韓廣良，等.基于改進(jìn)MeanShift的目標(biāo)跟蹤算法[J].液晶與顯示，2012，27（3）：396?400.

[9] 孫洛，邸慧軍，陶霖密，等.多攝像機(jī)人體姿態(tài)跟蹤[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，51（7）：966?971.

[10] 霍闊，李長(zhǎng)云，李妍，等.一種重疊視域多攝像機(jī)環(huán)境下的運(yùn)動(dòng)目標(biāo)匹配SHFSM算法[J].計(jì)算機(jī)應(yīng)用研究，2013，30（2）：619?622.