馬志揚(yáng)， 傅慧妮， 趙 博， 楊忠琳， 姜雨彤，朱夢琪， 孫偉琛， 李興鑫

(中國北方車輛研究所,北京 100072)

目前基于視頻圖像的運(yùn)動(dòng)目標(biāo)檢測方法主要分為包括：幀差法[1, 2]、背景減除法[3-5]、光流法[6-8]、基于深度神經(jīng)網(wǎng)絡(luò)的檢測方法[9-11].幀差法依據(jù)連續(xù)幀之間背景區(qū)域圖像與運(yùn)動(dòng)目標(biāo)的差異性進(jìn)行判定，通過相鄰圖像的差分運(yùn)算，確定運(yùn)動(dòng)目標(biāo)區(qū)域，其優(yōu)點(diǎn)在于計(jì)算簡單，但是計(jì)算容易受噪聲干擾；背景減除法通過建立背景模型，采用當(dāng)前幀圖像與背景模型減除獲取差異，進(jìn)而獲得動(dòng)目標(biāo)區(qū)域，且通常采用高斯混合模型及相關(guān)優(yōu)化模型實(shí)現(xiàn)背景建模，其優(yōu)點(diǎn)在于通過預(yù)處理與背景建模降低攝像機(jī)及外部干擾帶來的噪聲影響，但是受背景建模影響較大，在光電平臺轉(zhuǎn)動(dòng)或運(yùn)動(dòng)時(shí)，需要獲取連續(xù)多幀進(jìn)行建模，時(shí)效性受到較大影響[12]；光流法以相鄰幀間物體灰度守恒為前提對光流場進(jìn)行估計(jì)[13]，利用基于光流閾值約束技術(shù)進(jìn)行目標(biāo)檢測，無需背景先驗(yàn)知識，但是運(yùn)算量較高并受噪聲影響較大；基于深度學(xué)習(xí)的方法通過對視頻時(shí)序中目標(biāo)的學(xué)習(xí)可以較好解決目標(biāo)時(shí)空信息的關(guān)聯(lián)問題，但是對紋理不清、小尺寸目標(biāo)、光電運(yùn)動(dòng)等場景的處理存在限制，且運(yùn)算量較大.此外，傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測方法無法上報(bào)目標(biāo)類型信息.以光電載荷平臺的運(yùn)動(dòng)目標(biāo)檢測為研究目標(biāo)，針對背景建模時(shí)間長、幀間匹配易受圖像噪聲影響、全局運(yùn)動(dòng)估計(jì)受限的問題，提出基于光電轉(zhuǎn)臺全局運(yùn)動(dòng)補(bǔ)償與YOLOv3網(wǎng)絡(luò)模型的運(yùn)動(dòng)目標(biāo)檢測算法，在無需背景建模的條件下，獲取目標(biāo)類型、像素坐標(biāo)，實(shí)現(xiàn)幀間目標(biāo)連續(xù)性匹配，提出目標(biāo)運(yùn)動(dòng)程度估值計(jì)算方法，以此判定目標(biāo)運(yùn)動(dòng)狀態(tài)，并實(shí)現(xiàn)在邊緣端推理平臺的測試驗(yàn)證.

1 算法原理與設(shè)計(jì)

本研究算法可以劃分為三個(gè)部分：首先通過神經(jīng)網(wǎng)絡(luò)模型對單幀視頻圖像中的目標(biāo)進(jìn)行檢測，獲得目標(biāo)類型、像素坐標(biāo)位置，然后獲取光電平臺信息補(bǔ)償視頻全局運(yùn)動(dòng)信息并對連續(xù)幀圖像中的目標(biāo)進(jìn)行唯一性匹配與運(yùn)動(dòng)估計(jì)，最后計(jì)算目標(biāo)運(yùn)動(dòng)狀態(tài).

1.1 算法框架

在基于陸地場景的視頻圖像中，目標(biāo)運(yùn)動(dòng)狀態(tài)可以劃分為水平向(X)、垂直向(Y)及混合運(yùn)動(dòng).因此，通過對視頻連續(xù)幀中目標(biāo)位置狀態(tài)的矢量分析，可以獲取目標(biāo)位置、動(dòng)/靜狀態(tài)、運(yùn)動(dòng)速度、運(yùn)動(dòng)方向等信息.

該算法整體框架如圖1所示.目標(biāo)檢測模塊的功能是采用YOLOv3模型獲取單幀圖像中目標(biāo)在相應(yīng)時(shí)刻屬性，包括每一幀圖像目標(biāo)的類型、目標(biāo)中心坐標(biāo)、目標(biāo)框尺寸等信息.目標(biāo)匹配模塊的功能是以T幀圖像作為滑動(dòng)時(shí)間窗口，計(jì)算窗口內(nèi)第1幀到第T幀圖像中相鄰圖像的目標(biāo)匹配性.在計(jì)算過程中，模塊通過獲取光電系統(tǒng)每一幀對應(yīng)的外部位置信息，對目標(biāo)像素坐標(biāo)進(jìn)行補(bǔ)償，去除由于平臺轉(zhuǎn)動(dòng)造成的全局運(yùn)動(dòng).通過獲取目標(biāo)的匹配關(guān)系，可以獲得T幀圖像對應(yīng)連續(xù)時(shí)刻的目標(biāo)像素軌跡.運(yùn)動(dòng)狀態(tài)計(jì)算模塊的功能是通過對每一個(gè)目標(biāo)的連續(xù)T幀軌跡進(jìn)行平滑，去除抖動(dòng)或噪聲造成的影響，計(jì)算該目標(biāo)在每一幀的軌跡變動(dòng)量，并與第T+1幀圖像中的目標(biāo)進(jìn)行比較，最終獲得第T+1幀中所有目標(biāo)的運(yùn)動(dòng)狀態(tài)信息.

圖1 算法流程圖

1.2 基于YOLOv3的連續(xù)幀目標(biāo)檢測

YOLOv3網(wǎng)絡(luò)模型屬于one-stage目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)模型，由Joseph Redmon、Ali Farhadi提出[14]，在原來YOLOv1、YOLOv2模型的基礎(chǔ)上，建立更大的骨干網(wǎng)絡(luò)DarkNet-53，實(shí)現(xiàn)多尺度預(yù)測與跨尺度特征融合，通過引入FPN(Feature Pyramid Networks)結(jié)構(gòu)能夠從上采樣層的特征和早期特征映射的細(xì)粒度信息進(jìn)行融合，進(jìn)而解決小尺寸目標(biāo)的檢測問題.在傳統(tǒng)運(yùn)動(dòng)目標(biāo)檢測中，小尺寸目標(biāo)在背景建模過程中存在分割難、易于噪聲混淆的問題，但是通過YOLOv3可以很好規(guī)避傳統(tǒng)背景建模帶來的問題.YOLOv3網(wǎng)絡(luò)的輸入是單幀圖像，輸出結(jié)果是圖像中目標(biāo)的類型、坐標(biāo)信息、置信度.相比于其他神經(jīng)網(wǎng)絡(luò)模型，YOLOv3與SSD、RetinalNet等網(wǎng)絡(luò)精度相當(dāng)，而且速度提高3倍.從精度、計(jì)算量、運(yùn)算速度而言，采用YOLOv3網(wǎng)絡(luò)模型可以很好解決目標(biāo)屬性與定位的檢測問題.算法運(yùn)行過程中無需建?；?qū)B續(xù)幀圖像進(jìn)行預(yù)處理.

在YOLOv3單幀檢測的基礎(chǔ)上，選取匹配觀察窗口，即對連續(xù)T幀的視頻圖像進(jìn)行檢測，并記錄對應(yīng)幀號的目標(biāo)檢測結(jié)果，如圖2所示.

據(jù)此，可以得到連續(xù)T幀圖像的目標(biāo)信息列表，如公式(1),(2)所示：

I1={Det1,1,Det1,2,Det1,3,…,Det1,i,…,Det1,n}，I2={Det2,1,Det2,2,Det2,3,…,Det2,i,…,Det2,n}，……Im={Detm,1,Detm,2,Detm,3,…,Detm,i,…,Detm,n}，……IT={DetT,1,DetT,2,DetT,3,…,DetT,i,…,DetT,n}.

(1)

Detm,i={Classm,i,CXm,i,CYm,i,Widthm,i,Heightm,i},

(2)

式中：m表示連續(xù)圖像幀序號，且1

1.3 基于光電轉(zhuǎn)臺全局運(yùn)動(dòng)補(bǔ)償?shù)哪繕?biāo)匹配

通過YOLOv3與觀察窗口中連續(xù)幀圖像的計(jì)算，基于視頻流幀序的目標(biāo)檢測信息可以很好地表征相應(yīng)目標(biāo)的像素軌跡，可以用于解決目標(biāo)信息連續(xù)性與一致性問題.但是，通過圖像識別獲取的目標(biāo)軌跡信息不僅包含目標(biāo)自身運(yùn)動(dòng)引起的像素位移，同時(shí)包括由于光電轉(zhuǎn)臺轉(zhuǎn)動(dòng)導(dǎo)致的全局運(yùn)動(dòng)信息.因此，計(jì)算連續(xù)視頻幀之間的全局運(yùn)動(dòng)信息是進(jìn)行目標(biāo)匹配與計(jì)算目標(biāo)運(yùn)動(dòng)狀態(tài)的前提.在本研究中，通過光電轉(zhuǎn)臺位置傳感器獲取光電觀察視場的全局運(yùn)動(dòng)狀態(tài)，具體表示如公式(3)所示.

CamXY1={CamX1,CamY1}，CamXY2={CamX2,CamY2}，……CamXYm={CamXm,CamYm}，……CamXYT={CamXT,CamYT},

(3)

式中：CamXYm表示光電攝像頭在第m幀時(shí)的水平(X)、垂直(Y)像素坐標(biāo).

光電觀察視場的全局運(yùn)動(dòng)變化可以具體表示為上述像素坐標(biāo)的差值，如式(4)所示.

MoveCamXY2,1={CamX2-CamX1,CamY2-CamY1}，……MoveCamXYm,m-1={CamXm-CamXm-1,CamYm-CamYm-1}，……MoveCamXYT,T-1={CamXT-CamXT-1,CamYT-CamYT-1}.

(4)

經(jīng)過光電相機(jī)視場角與圖像像素分辨率的關(guān)系，可以計(jì)算得到在第m幀時(shí)刻由于光電轉(zhuǎn)臺運(yùn)動(dòng)導(dǎo)致的圖像全局運(yùn)動(dòng)像素坐標(biāo)變化，如式(5)所示.

PixelCamXm,m-1=(CamXm-CamXm-1)/CamX_angle·CamX_res,PixelCamYm,m-1=(CamYm-CamYm-1)/CamY_angle·CamY_res,

(5)

式中：CamX_angle表示水平向視場角；CamX_res水平向像素分辨率；CamY_angle表示垂直向視場角；CamY_res垂直向像素分辨率.

從每一幀目標(biāo)檢測結(jié)果中剔除全局運(yùn)動(dòng)帶來的影響，可以得到由于自身運(yùn)動(dòng)狀態(tài)導(dǎo)致的像素坐標(biāo)信息變化.以第m幀第i個(gè)目標(biāo)檢測結(jié)果為例，目標(biāo)檢測結(jié)果進(jìn)行更新，如式(6)所示.

(6)

依據(jù)去除全局運(yùn)動(dòng)的每一幀目標(biāo)信息，計(jì)算相鄰幀號圖像的每一個(gè)目標(biāo)的匹配關(guān)系，并確定幀間每一個(gè)目標(biāo)的連續(xù)性.視頻幀之間的目標(biāo)匹配機(jī)制采用目標(biāo)屬性與IoU(Intersection over Union交并比)計(jì)算匹配方法.目標(biāo)屬性的匹配，是指相比較的兩個(gè)目標(biāo)必須具有相同的類型.IoU計(jì)算機(jī)制，是指相比較的兩個(gè)目標(biāo)框計(jì)算交并比.當(dāng)交并比大于某一個(gè)閾值時(shí)，判定為同一目標(biāo)；當(dāng)存在某個(gè)目標(biāo)框與多個(gè)目標(biāo)框比較時(shí)，優(yōu)先判定IoU最大值的目標(biāo)為同一目標(biāo).如圖3所示.

圖3 IoU計(jì)算示意圖

IoUm,m-1|i,k=交集像素總數(shù)/并集像素總數(shù).

(7)

如圖4所示，以第m幀中第i個(gè)目標(biāo)為例，以第m,i目標(biāo)表示.假設(shè)第m-1幀存在n個(gè)目標(biāo)，匹配過程如下：

圖4 目標(biāo)匹配計(jì)算流程

1)第m,i目標(biāo)與第m-1幀的目標(biāo)集比較目標(biāo)類型.當(dāng)目標(biāo)類型一致時(shí)，計(jì)算目標(biāo)框交并比IoU.如果不存在相同的目標(biāo)類型，上溯第m-2幀進(jìn)行比較.

2)當(dāng)IoU大于設(shè)定閾值時(shí)，判定為“具有連續(xù)性”.

3)遍歷第m-1幀的剩余目標(biāo)進(jìn)行比較，計(jì)算IoU最高的目標(biāo)框，并以此目標(biāo)作為與第m,i目標(biāo)匹配度最高的目標(biāo)，判定為“具有一致性”.

1.4 目標(biāo)運(yùn)動(dòng)狀態(tài)估算

本研究中，目標(biāo)運(yùn)動(dòng)狀態(tài)估算包括目標(biāo)水平向、垂直向像素速度(像素/幀)，同時(shí)包括目標(biāo)運(yùn)動(dòng)程度估值，并依次計(jì)算目標(biāo)是否為運(yùn)動(dòng)目標(biāo).

獲得目標(biāo)的光電軌跡后，依據(jù)其每一幀對應(yīng)時(shí)刻像素變化量可以估算出目標(biāo)的運(yùn)動(dòng)像素速度，從而獲得靜/動(dòng)狀態(tài)的判定.假設(shè)第T,i目標(biāo)在觀察窗口內(nèi)的匹配目標(biāo)均為每一幀中的第k個(gè)目標(biāo).據(jù)此可以計(jì)算出幀間變化量，如公式(8)所示.

(8)

式中：VXT,i表示目標(biāo)在T幀內(nèi)的水平向像素速度(像素/幀)；VYT,i表示目標(biāo)在T幀內(nèi)的垂直向像素速度(像素/幀).

由于目標(biāo)在不同視場角、不同距離、不同姿態(tài)下，運(yùn)動(dòng)變化量不唯一，通過幀間變化量無法直接體現(xiàn)目標(biāo)運(yùn)動(dòng)的程度，考慮采取計(jì)算目標(biāo)像素變化量相對于目標(biāo)本身幅度的比率進(jìn)行判定.定義該比率值為目標(biāo)運(yùn)動(dòng)程度估值，如公式(9)所示.

(9)

式中：RXT,i表示目標(biāo)在水平向的運(yùn)動(dòng)程度估值；RYT,i表示目標(biāo)垂直運(yùn)動(dòng)程度估值.

當(dāng)RXT,i、RYT,i高于設(shè)定的閾值(ThXi,ThYi)時(shí)，可以判定目標(biāo)為“運(yùn)動(dòng)目標(biāo)”.此外，該策略可以依據(jù)目標(biāo)類型、目標(biāo)物理高度、目標(biāo)物理寬度、目標(biāo)最低需檢測物理運(yùn)動(dòng)速度等方式設(shè)置判定閾值，提高對目標(biāo)運(yùn)動(dòng)狀態(tài)的穩(wěn)定性.具體計(jì)算方式如公式(10)所示.

ThXi=VXobject/Widthobject,ThYi=VYobject/Heightobject,

(10)

式中：ThXi,表示水平向運(yùn)動(dòng)程度判定閾值；ThYi,表示垂直向運(yùn)動(dòng)程度判定閾值；VXobject是最低需檢測目標(biāo)的水平向物理運(yùn)動(dòng)速度，單位m/s；VYobject是最低需檢測目標(biāo)的垂直向物理運(yùn)動(dòng)速度，單位m/s；Widthobject是目標(biāo)寬度，單位m；Heightobject是目標(biāo)高度，單位m.目標(biāo)寬度與高度依據(jù)可識別的目標(biāo)類型數(shù)據(jù)庫進(jìn)行設(shè)定，例如汽車寬度與高度.

當(dāng)系統(tǒng)接收最新幀的圖像數(shù)據(jù)時(shí)(假設(shè)最新一幀為第T+1幀)，通過目標(biāo)檢測模塊獲取該幀的所有目標(biāo)信息.以前T幀數(shù)據(jù)為基準(zhǔn)進(jìn)行匹配，可以獲得第T+1幀中相應(yīng)的目標(biāo)的運(yùn)動(dòng)狀態(tài).當(dāng)?shù)赥+1幀中沒有識別到前T幀中的目標(biāo)時(shí)，可以通過運(yùn)動(dòng)估計(jì)的方式，實(shí)現(xiàn)對漏檢目標(biāo)的短時(shí)估計(jì)，提高目標(biāo)檢測率.

2 算法驗(yàn)證

以coco、voc等公開數(shù)據(jù)集為訓(xùn)練集，采用現(xiàn)實(shí)場景中的車輛視頻為測試用例.本研究通過英偉達(dá)TX2、NX邊緣端推理平臺實(shí)現(xiàn)算法布置與驗(yàn)證.

2.1 目標(biāo)檢測

部分測試輸入視頻與輸出視頻結(jié)果如圖5所示.經(jīng)過處理后，原始視頻中目標(biāo)車輛可以穩(wěn)定地被檢測，實(shí)線框?yàn)槟繕?biāo)識別框，字母為目標(biāo)類型.視頻分辨率為1280×960，視場角為3°×2.25°；視頻幀率為25 fps；單幀圖像檢測耗時(shí)為32 ms.以圖5為例，連續(xù)4幀圖像中，目標(biāo)識別結(jié)果為：目標(biāo)類型“ORV(越野車)”、“目標(biāo)識別框像素坐標(biāo)位置(如圖中矩形框)”，試驗(yàn)數(shù)據(jù)如表1所示.

圖5 視頻序列連續(xù)4幀的檢測結(jié)果

表1 目標(biāo)檢測結(jié)果信息

2.2 目標(biāo)匹配

依據(jù)基于光電轉(zhuǎn)臺傳感器反饋的位置信息實(shí)現(xiàn)對圖像全局運(yùn)動(dòng)像素位置變化的補(bǔ)償，對連續(xù)幀的視頻進(jìn)行測試.考慮單幀圖像檢測的耗時(shí)，選取10幀作為窗口觀察期.依然以圖5中檢測結(jié)果為例，選取連續(xù)4幀窗口，計(jì)算幀間目標(biāo)識別框IoU數(shù)值如表2所示，并依次判定幀間目標(biāo)是否為連續(xù)的同一目標(biāo)，進(jìn)而可以獲得目標(biāo)匹配一致性關(guān)系如圖6所示.

表2 幀間目標(biāo)IoU計(jì)算與一致性計(jì)算結(jié)果

圖6 視頻序列連續(xù)4幀的檢測結(jié)果

圖6中車輛目標(biāo)被覆蓋區(qū)域表示前后幀重疊區(qū)域，其中重疊越多，對應(yīng)的IoU越大，也說明目標(biāo)運(yùn)動(dòng)程度越低.觀察第4幀圖像可以看到，此時(shí)車輛發(fā)生明顯加速，相應(yīng)的運(yùn)動(dòng)程度越高，IoU降低.

2.3 目標(biāo)運(yùn)動(dòng)狀態(tài)估算

通過獲取幀間目標(biāo)的一致性，可以獲取目標(biāo)在不同時(shí)刻的軌跡信息.以圖6中越野車目標(biāo)與光電轉(zhuǎn)臺速度為例，以英偉達(dá)TX2平臺算法處理速度作為幀間時(shí)間差(140 ms).據(jù)此可以得到越野車目標(biāo)在去除光電轉(zhuǎn)臺全局運(yùn)動(dòng)后的水平向、垂直向像素速度(VX,VY)，并計(jì)算得到目標(biāo)在水平向、垂直向的運(yùn)動(dòng)程度估值(RX,RY).進(jìn)一步以運(yùn)動(dòng)車輛目標(biāo)最低需檢測物理運(yùn)動(dòng)速度為10 km/h為條件，可以得到水平向、垂直向運(yùn)動(dòng)程度判定閾值(ThXi,ThYi).上述結(jié)果如表3所示.通過對運(yùn)動(dòng)程度估值的判定，最終上報(bào)目標(biāo)的運(yùn)動(dòng)狀態(tài)為“運(yùn)動(dòng)”，如圖7中所示，且以箭頭指示方向?yàn)橹鬟\(yùn)動(dòng)方向.

表3 目標(biāo)運(yùn)動(dòng)程度估值與運(yùn)動(dòng)狀態(tài)判定結(jié)果

圖7 目標(biāo)運(yùn)動(dòng)狀態(tài)檢測結(jié)果

2.4 多目標(biāo)場景下運(yùn)動(dòng)目標(biāo)檢測測試

依據(jù)算法原理中目標(biāo)匹配的分析，當(dāng)同一視場存在多個(gè)目標(biāo)時(shí)，連續(xù)幀圖像中各目標(biāo)的識別框IoU匹配關(guān)系最密切的為上一幀圖像中對應(yīng)的同一個(gè)目標(biāo).因此在多目標(biāo)場景中，算法依然可以同時(shí)對圖像中的目標(biāo)運(yùn)動(dòng)狀態(tài)進(jìn)行判定.以多目標(biāo)視頻圖像為測試對象，試驗(yàn)結(jié)果如圖8所示，在同一視場中，行駛的越野車和卡車均可分別判定屬于“運(yùn)動(dòng)目標(biāo)”，且運(yùn)動(dòng)方向如箭頭所示，即該算法能夠?qū)崿F(xiàn)對多目標(biāo)場景的有效處理.

圖8 多目標(biāo)運(yùn)動(dòng)狀態(tài)檢測結(jié)果

2.5 算法運(yùn)行速度

以典型的邊緣端機(jī)器學(xué)習(xí)平臺為測試硬件，選取TX2、NX作為測試平臺分別進(jìn)行測試.試驗(yàn)結(jié)果如表4所示.可以看出，該算法在邊緣端平臺具備實(shí)時(shí)處理能力.但是，需要注意的是，在TX2平臺上，目標(biāo)匹配的計(jì)算間隔為140 ms.因此，當(dāng)目標(biāo)橫向運(yùn)動(dòng)速度(角速度)較高，且在初始階段無法對目標(biāo)框進(jìn)行速度估計(jì)時(shí)，例如目標(biāo)框在140 ms內(nèi)的橫向像素位移大于目標(biāo)框X方向像素?cái)?shù)時(shí)，連續(xù)幀間的目標(biāo)框無法進(jìn)行匹配，此時(shí)算法無法有效判定目標(biāo)的運(yùn)動(dòng)狀態(tài).基于此，在邊緣端布置算法時(shí)，應(yīng)當(dāng)充分考慮偵察目標(biāo)的可能運(yùn)動(dòng)情況與邊緣端機(jī)器學(xué)習(xí)平臺的計(jì)算能力，進(jìn)而在保證時(shí)效性的情況下確定算法對相應(yīng)場景下的運(yùn)動(dòng)目標(biāo)能夠檢測到.

表4 邊緣端平臺算法運(yùn)行速度

3 結(jié) 論

針對傳統(tǒng)動(dòng)目標(biāo)檢測算法背景建模慢、圖像噪聲影響大等問題，以光電轉(zhuǎn)臺位置信息、目標(biāo)識別、幀間目標(biāo)匹配、運(yùn)動(dòng)狀態(tài)估計(jì)為切入點(diǎn)，提出基于光電轉(zhuǎn)臺全局運(yùn)動(dòng)補(bǔ)償與YOLOv3網(wǎng)絡(luò)模型的運(yùn)動(dòng)目標(biāo)檢測算法，以車輛視頻圖像為測試對象，結(jié)果表明:1)采用基于連續(xù)幀的YOLOv3目標(biāo)檢測模型，無需背景建模，能夠獲取連續(xù)幀中目標(biāo)的識別類型、像素坐標(biāo)，提高了目標(biāo)的檢測穩(wěn)定性與幀間匹配的關(guān)聯(lián)程度，降低了由于圖像噪聲導(dǎo)致的干擾影響；2)引入光電轉(zhuǎn)臺位置信息剔除全局運(yùn)動(dòng)影響；3)采用IoU匹配機(jī)制，解決連續(xù)幀中多目標(biāo)的連續(xù)性匹配問題，并獲得每一個(gè)目標(biāo)的像素坐標(biāo)軌跡；4)提出目標(biāo)運(yùn)動(dòng)程度估值計(jì)算方法，獲得目標(biāo)運(yùn)動(dòng)狀態(tài)信息，并通過目標(biāo)類型自動(dòng)調(diào)整判定閾值，提高了運(yùn)動(dòng)狀態(tài)判斷的穩(wěn)定性；5)可以在邊緣端平臺較好處理運(yùn)動(dòng)目標(biāo)檢測問題，保證目標(biāo)運(yùn)動(dòng)狀態(tài)信息實(shí)時(shí)上報(bào).