摘要：本文详细地探讨了基于视频的移动目标检测和视频跟踪技术，并给出了一个成功的应用实例。文中详细地论述了视频跟踪系统的系统组成，模块结构和视觉计算流程；给出了实现该系统所涉及的关键技术。

关键词：运动检测，目标检测，目标跟踪，智能监控

ABSTRACT:　This　paper　studied　technologies　of　moving　object　detection　and　video　surveillance　tracking,　and　presented　target　tracing　project　which　had　applied　a　successfully.　The　paper　discussed　the　system　organization,　modules　of　software,　and　following　chart　of　tracing.　Many　technologies　vital　to　object　detection　and　target　tracing　has　been　presented　also.

Keywords:　motion　detection,　moving　object　detection,　video　surveillance　tracking,　and　intelligent　surveillance.

1.　引言

随着安防向着智能化的进一步发展，越来越多的领域对传统意义上的视频监控提出了更加的要求，虽然传统监控系统已经可以满足人们“眼见为实”的要求，但同时这种监控系统要求监控人员不停的监视屏幕，获得视频信息，通过人为的理解和判断，才能得到相应的结论，做出相应的决策。因此，让监控人员长期盯着众多的电视监视器成了一项非常繁重的任务。特别在一些监控点较多的情况下，监控人员几乎无法做到完整全面的监控。

传统意义上的根据视频的变化率报警，随着由于计算机的广泛应用和数字图像的发展，由于其设置的不灵活、虚警率高、不抗干扰及接口等方面的原因，正慢慢地面临淘汰；另外，在重要的场所，比如具有战略意义的油田油库，军事仓库，重要的机密场所、办公地点，水利大坝等等，传统意义上的由人员操作控制键盘，锁定目标，控制云台的运动来跟踪目标的模式，由于存在监视范围大、人易疲劳和连续反应速度迟缓等方面的缺陷，这些领域对自动视频跟踪的需求日益迫切。

所谓自动视频跟踪，是利用视频的图像信号，自动进行目标的检测、识别、定位，自动控制云台和摄像机的运动，跟踪和锁定目标。过去在安防领域，视频信号一般都是可见光的摄像机产生的PAL制或NTSC制的模拟信号；现在，随着320x240左右分辨率的非制冷的红外热象仪的价格进一步下降，热成像传感器将由军事领域进入安防领域，以弥补CCD摄像机的夜晚成象质量差和非全天候等的问题。

视频自动跟踪系统，一般都是用在露天的、较大地域范围的监控系统中，且边跟踪边录像。在自动跟踪系统的发展上，军事上的视频自动跟踪、毫米波雷达跟踪以及激光雷达跟踪等是最为成熟的；非军事领域，存在一些固定画面、摄像机从不运动的的目标检测与跟踪系统；基于带红外线的、常用在演播室或者会议室的、很近距离的跟踪系统，目前主要局限于简单背景(如室内环境下)、大目标(即目标在视频图像中占较大区域)，而且一般无法实现控制摄像机转动来对目标进行跟踪。

由于其技术特点基本一致，本文主要讨论室外的、较远距离的、仅基于视频图像的、运行在微机上的自动视频跟踪。本文的内容安排如下：第二节给出了自动视频跟踪系统的软硬件组成；第三节给出了自动视频跟踪系统涉及的关键技术；第四节给出了一个成功的应用实例；最后是结论。

2.　系统组成

自动化的视频跟踪系统的工作流程一般是摄像机的模拟信号通过视频电缆传送至计算机，计算机通过视频采集卡将模拟视频信号转换为数字视频信号，该转换的输出的数字图像一方面在计算机CRT上显示，同时传送至内存进行目标检测或跟踪(根据需要可同时进行硬盘录像)，计算机根据算法的运算结果来控制摄像机的云台，这个控制过程是通过通讯协议卡和双绞线电缆和摄像机的云台接口来完成的。监视和跟踪系统的启动可以是人工的，也可以由系统的报警输入设备启动。高档的图像卡一般自带显卡，能够大大避免廉价的多媒体卡长时间地、连续地通过总线传送到计算机的显存而带来的死屏、CPU的占用及总线的占用等问题。图1是系统的总体结构图。

从软件的角度来看，整个视频跟踪系统主要是由电视摄像机及控制、图像获取模块、图像显示模块、数据库，运动检测，目标跟踪，报警输入和人机接口模块等组成的，如图2所示。

视觉计算模块是视频跟踪系统的核心，是实现目标检测和跟踪的关键，如图3所示。一般采取先检测后跟踪(Detect-before-Track)方式，目标的检测和跟踪是紧密结合的。检测是跟踪的前因，并为跟踪提供了目标的信息(如目标的位置，大小，模式和速度估计等)，而跟踪则是检测的延续，实时利用检测得到的知识去验证目标的存在。

目标跟踪是由目标模式匹配，目标运动估计和云台控制3个部分组成，流程如图4所示。

3.　关键技术研究

基于视频目标检测和跟踪的一般流程是：通过目标检测，找到目标；对目标特征进行描述，初步估计目标的运动矢量；根据运动状态，进入目标跟踪，对传感器的姿态，比如水平方位、垂直方位和焦距等进行调整；跟踪到目标后，对目标特征进行更新，并对目标的运动进行预测后，进入下一轮的跟踪过程。目标跟踪检测与跟踪涉及到的技术细节较多，关键的有7项，分列如下：

3.1　差图像分析技术

差图像作为最经典、常胜不衰的动目标检测方法，有其合理性，因为运动能够导致图像的变化，相邻的两幅或多幅图像之间的关系，或当前图像与背景图像之间的关系，尤其是图像差的关系，能较好地体现出运动所带来的变化。复杂背景下的运动目标检测和跟踪由于有良好的应用前景，成为当前研究的一个热点。图像监控系统的出发点是监控移动的目标，它们或是非法侵入，或是通过关键的场景，总之是移动才带来了对它们实施监控的可能。因此寻找移动的目标是图像监控的关键。由于侵入的目标的形状和颜色等特征是难以固定的，再加上监控的场景，即背景往往比较复杂，仅仅利用一个单帧图像就找出移动的目标是非常困难的。然而，目标的运动导致了其运动时间内，监控场景图像的连续变化，所以，使用图像序列分析往往是比较有效的，而且适合于低信噪比的情况。由于监控系统通常监控的视野比较大，系统设置的环境较为恶劣，图像传输的距离较远，从而导致图像的信噪比不高，因此采用突出目标的方法，需要在配准的前提下进行多帧能量积累和噪声抑制。在该技术中，要研究的问题有，相邻的两幅或多幅图像之间的关系是什么关系，是简单的图像差的绝对值，还是多幅之间差的最大值，还是其他的与图像减法之间的其他函数关系，是尤其需要研究的。在研究中，研究如何差，如何自动得到差图像的分割门限，如何减小背景和突出目标是研究的方向。

3.2背景生成技术

背景生成技术或背景的自动更新技术。在目标检测阶段或目标跟踪阶段的某个时段，需要有一幅背景图像,通过该背景图像与当前图像的差关系来发现和定位目标的位置。在目标自动检测阶段，依实际的应用背景，至少有3种运行模式。它们分别是：

(1)传感器在发现运动目标之前是始终对准一个固定的区域的。

(2)传感器临时收到某个报警信号或另外的传感器发送来的指令，被强制地转到某个区域，要求尽快地检测出目标。

(3)传感器不停地按顺序或随机地搜索不同的区域，寻找已知特征的目标。

对情况(1)而言，由于长期地监视相同的区域，使得统计方法的可靠性大大增加，应该从统计学这个方向开始研究。比如，这种情况下，在同一个像素点的位置上有很多个不同时刻的样本数据，可以很容易地为一个区域或一个像素的灰度变化规律建立一个分布或多个分布，假设该变化规律可以正态分布描述时，可以较容易地得到可能变化的像素和没有变化的像素，用没用变化的像素去更新初始的背景，则始终有一幅最可能的且最近的背景图像。对情况(2)而言，由于临时地监视相同的区域，且要求尽快发现，由于样本数不可能多，使用统计方法的自动生成背景一般不可靠。对情况(3)而言，由于已知被检目标的灰度或温度的分布特征，或结构上的特征，对单帧图像，使用图像分割技术或目标匹配技术，可以很快地仅通过一帧图像就目标，这对静止的目标，或运动目标暂时静止时的检测很有意义。背景生成技术主要用在情况(1)时。

3.3目标检测

目标检测是指在差图像被二值化后的图像中，检测出运动的目标。该任务研究的方向分析多个差图像中区域之间的关系，并在原图像中验证，得到运动的目标和其运动轨迹。比如，如果已经知道3个不同时刻的二值差图像，若存在一个运动目标的话，该目标在这3个差图像中的大小基本不变，其运动方向和运动速度基本不变，在3个差图像对应的原图像中的区域，有基本相同的灰度分布等等。求解该问题的手段，可以考虑使用聚类分析的策略。

3.4　目标模式

目标模式即目标特征的描述，必须有利于目标跟踪，经过传感器的位置等调整后，目标会出现在新的图像的一个位置，尽管可以使用下面的手段对目标的位置进行预测，但该位置仅是一个大概的位置，必须在这个大概的位置附近进行搜索。显然，目标特征必须有利于搜索，便于搜索过程尽快收敛。灰度直方图相对于目标而言，维数大大降低，但不含边缘信息；可以使用边缘强度加权的灰度直方图来描述目标，但边缘强度加权无利于搜索过程的收敛，可以考虑利用像素到目标形心的距离加权的灰度直方图来描述目标，由于中心距离加权，非常有利于搜索过程的收敛,而且距离加权还对目标的较小的形变不敏感。在该任务中，如何在目标特征的表述中，体现灰度信息、边缘信息和距离加权是研究的方向。

在复杂背景的图像中，实时的连续长距离地跟踪以人为对象的目标，是一件很困难的任务。人是一个非刚体的目标，在跟踪过程中其图像随时会随着人的姿势的改变而变化，　因此简单地以目标图像作为模式，用模板匹配的方法进行目标跟踪是一般是不可行的，除非计算机处理速度极快。因为如果处理速度很快，保证相邻两帧时间间隔很短，以至于目标模式几乎不变，匹配才可以得到理想的结果。

相反，目标图像的直方图记录的是颜色的出现概率，因而受目标的形状变形的影响不大，所以用直方图作为目标的模式，用目标的颜色分布为匹配依据，则该模式具有较好的稳定性。在整个图象空间中，进行目标模式的计算和匹配无疑是很慢的。均值平移(Mean　Shift)算法是计算局部最优解的一个实用的算法，具有快速和有效的特点。

3.5目标模式匹配

模式匹配是目标跟踪的核心。通过模式的匹配，得到目标的在图像中的位置。关于模式的建立的方法，在很多相关的文献中都有介绍。其中比较经典的有如下几类：模板匹配法，活动轮廓，光流法，图像分割法等。但是由于监控环境处于室外，场景复杂。或者计算量过大，实时性不强，或者稳定性不强，很多经典的算法都无法适用。上文已经考虑了以直方图为特征的目标模式，与此模式相匹配，以均值平移的快速算法为匹配算法，并加以改进和优化，是研究的一个方向。

由于摄像机视角的原因，目标在运动的过程中会暂时的被遮挡，而导致图像中无法匹配到目标。为了避免跟踪的失败，可设定了目标暂时丢失的跟踪状态对这种情况专门处理。

1.　在未找到目标之前，不更新目标的位置，速度和模式。仍然以已知准确的目标位置和速度，预测目标的最新位置；

2.　增大目标的搜索范围。即使对目标的运动趋势已有了简单的估计，但目标依然可能改变运动状态。因此需要扩大搜索范围，保证目标仍在搜索区域之中。

3.6　目标运动估计

目标运动估计是根据目标在过去的位置对目标的运动规律加以总结，并以此对目标将来的运动状态进行预测。正确的预测，可以缩小匹配的计算区域，大幅的降低匹配计算量。此外，由于可以预测目标的位置，则可以更准确地给传感器的控制，提供提前量。Kalman滤波器是一个对动态系统的状态序列进行线性最小方差误差估计的一个算法，也是状态预测的经典算法，使用Kalman滤波器对目标位置进行估计是一个有效的途径。

在视频跟踪系统中由于被跟踪的目标处于运动状态，为了把目标始终保持在摄像机视野之内，必须对摄像机加以控制。在实际应用中，摄像机被固定在云台上，云台本身不做平移运动，但可以控制云台进行水平摆动和上下俯仰，从而带动摄像机做相应运动。所以，对摄像机的控制就是对云台的控制。

云台的旋转将直接改变摄像机的视野，因此对于云台的控制必须谨慎且准确。错误的控制会使目标从视野中消失，导致跟踪的失败。此外，如果云台的控制幅度过小，可能会达不到目标回到视野中心的目的，目标也同样极易丢失。相反如果在对目标运动速度有可靠估计的前提下，提前将目标移到视野中目标运动方向的另一侧，将为此后跟踪目标赢得更多的时间，大大提高跟踪的成功率。所以为了使对于云台的控制更为合理，应该对于不同的情况采取不同的控制策略。对于情况的划分主要取决于目标的可靠性和速度的稳定性。

3.7　图像稳定技术

序列图像的差异通常是运动目标检测和跟踪的出发点，认为目标的运动是图像差异的根本原因。但是，这是建立在背景本身不运动的前提下的。因此，在许多跟踪系统中，比如车载，由于车的振动导致传感器位置的变化，表现在图像上就是背景的运动，因此在做差图像和背景自动更新之前，都必须先经过配准，即让所有图像在都同一个坐标系之下，以消除背景的运动。在不同的应用场合，配准的方法多种多样，比如当两个图像之间只有平移变化时，计算出它们的平移量即可实现配准；由于平移变化对图像的相位信息影响较大，在频率域利用相位相关可以实现配准。当两个图像之间还有旋转或比例变化时，往往使用基于控制点的方法进行图像配准。所谓特征点匹配就是在一帧图像中寻找具有不变性质的结构—特征点，例如，灰度局部极大值、局部边缘、角等，与另一帧图像中的同类特征点作匹配，从而求得该两帧图像之间的变换关系。从现实的观点看，在全部特征点中，只有部分能得到正确的匹配，这是因为特征点寻找算法并非完美无缺。特征点匹配方法具有：处理的数据量大大减少、可能匹配的数目大大少于互相关方法和受照度、几何的变化影响较小的优点。根据具体的振动情况，选择合适的特征点和速度较快的匹配策略是该任务研究的重点。目前的研究工作都致力于图像间的自动配准，如直接相关匹配，基于图像分割技术的配准，利用封闭轮廓的形心作为控制点的配准等。

4.　一个成功的系统

笔者曾在2000到2003年，历经多次更新，成功地开发出一个视频跟踪系统，该系统环境是在广阔的油库区，系统的前端摄像机和云台架在库区中心高约55米的铁塔上，计算设备等在监控室，中间通过电缆相连。影响目标检测和跟踪的因素主要有：

(1)摄像机架设在55米高的铁塔上，铁塔在不同的风力下，有不同方向、不同程度的摇摆，导致摄像机与景物的相对平移和旋转运动；

(2)监视环境复杂，存在树等在外界因素作用下自身也会运动的目标，需要将它们和真正的目标区分开。

(3)计算机控制摄像机进行目标跟踪和镜头的拉近、拉远，在跟踪过程中，随着镜头的变化，目标的变大变小，导致目标检测困难；

(4)系统实时性要求强；

(5)不存在也不可能得到目标的先验知识，如速度、运动方向、颜色、纹理、形状等；

(6)目标相对很小，即属于低象素率的目标检测；

我们系统的工作状态可以分为人工干涉和无人值守2种。系统提供了良好的人机界面，用户可以通过系统的视频显示区观看摄像机摄制的现场视频，此时，用户可以人工通过系统提供的按钮以各种方式控制云台，即人工可以干涉监控的过程。系统在大部分情况下处于无人值守的工作状态，当监控中心的计算机系统收到外场设备的预警信号后，将自动向摄像机云台发出控制信号，控制摄像机将发生报警区域的图像锁定在监视器上，并同时按系统的设定调整好焦距，视野大小等。然后系统自动转入运动检测，检测当前区域是否有运动目标，如果有运动目标，则系统给出目标的一般性描述，提交给目标跟踪模块，对目标进行跟踪。在这过程中，系统将作日志，记录事故位置、时间等，同时对采集到的图像作硬盘录像。

所有摄像机拍摄的图像均能录像和打印出来，而且用户可以随时按日期检索录制的视频图像序列。本系统具备的主要功能如下：

(1)预警功能：在油库周边埋设报警电缆，当有目标跨越时，电缆能立即向监控中心的计算机系统发出预警，从而调动监控设备和有关人员进行监视，加强防范。

(2)云台及摄像机的自动控制功能：常规的电视监控系统由人工操作云台来转动摄像机，这是一个扫描的过程，一般要花费较长的时间才能对准某个地段，容易贻误有利时机，给寻找入侵目标造成困难。本系统必须具有云台和摄像机的自动控制功能，当周边系统报警后，系统能快速地调动云台和摄像机对准报警地段，立即进行监视和跟踪，云台及摄像机的控制精度为±5%。

(3)运动目标自动检测功能：摄像机对准报警地段后，应用图像处理和模式识别技术，本系统能在复杂的背景中自动识别出运动目标，正确识别率大于95%，误报率小于20%。

(4)运动目标自动跟踪功能：检测到运动目标后，系统下一步就要进行目标的自动跟踪，根据目标的运动方向控制云台和摄像机的转动，使目标始终处于摄像机的视野之中，正确跟踪率大于95%。

(5)多摄像机协同控制功能：为了防止漏报，要使用多台摄像机和多台系统，我们将其整合，使得多系统具有协同控制的能力，将多台摄像机综合调配，优化组合，分工协作。多台计算机之间通过网卡相连。

(6)人工干预功能：在目标检测阶段若有多个目标同时出现时，可由人工在触摸屏上选择一个目标进行跟踪，增强系统的灵活性；在人工不加干预时，则由计算机自动选取一个最有利的目标进行跟踪，达到监控自动化。另外，云台和摄像机的控制都是由软件实现的，在触摸屏上建立一个菜单，可由人工进行选择，从而使系统在紧急情况下操作方便。

(7)　可以跟踪任何满足下述2个条件的运动目标：

(a)　，　是视野宽度，　是目标运动的速度。

(b)　　，　是视野宽度，s是目标的宽度。

可以在40m宽的视野中追踪单人的步行和跑动。可以在400m宽的视野中跟踪车辆目标。

在实际工作现场，机器的配置为PIII800,256M内存，采集图像分辨率为752×560的24位真彩图像。在跟踪过程中，平均每880毫秒对处理一帧图像。880毫秒中包括对图像的采集和存储以及摄像机控制的延时等待等不可忽略的时间，其中图像的采集和压缩存储耗时约100毫秒/帧，摄像机控制耗时约300毫秒/次，因此实际跟踪处理时间平均为650毫秒/帧。处理速度基本达到预计目标。

对大幅图像的处理基础上实现对目标的快速跟踪处理，一方面归因于均值偏移的快速算法的高效率，另一方面则归因于　Kalman滤波器对目标的运动估计的准确，有效的减小了目标的搜索范围。在此序列中，90%以上的目标时出现在搜索区域之中，而搜索区域大都只有整个图像的1/30，计算量得到了明显的降低。

对于目标被暂时遮挡的情况，通过设定目标状态为暂时丢失状态，并以上一次目标的位置和速度继续对后续的目标位置进行预测，在后续图像中可以再次重新找回目标。例如，在结果序列中第115帧图像时，目标被遮挡而暂时丢失，在后续图像中继续预测搜索，成功的找回目标。

此外，在摄像机控制时，采取估计提前量的控制策略也对跟踪有很大的帮助。控制摄像机，使目标提前摆到视野中目标运动方向的另一侧，可以为以后的跟踪赢得更多的跟踪时间和机会。在本实验序列中尤为明显，目标基本上保持由左上向右下运动的趋势，根据对目标速度的估计，则摄像机提前将目标定为视野中心偏上偏左的区域，对目标运动加提前估计量。

五.　结束语

本文详细地探讨了基于视频的移动目标检测和视频跟踪技术，并给出了一个成功的应用实例。本文笔者研制的自动视频跟踪系统是能够自动跟踪运动目标的自动化程度很高的系统。该系统是模式识别和图像处理技术等高科技的具体应用，可广泛应用于安防监控领域。可直接与现有的监控系统组合。

参考文献

【1】 Peter　Meer,　“Real-Time　Tracking　of　Non-Rigid　Objects　using　Mean　Shift”,　IEEE　CVPR　2000

【2】 D.Comaniciu,　P.Meer,　“　Mean　Shift　Analysis　and　Applications,”　IEEE　Int’l　Conf.　Comp.　Vis.,　Kerkyra　Greece,　1197-1203,1999

【3】 D.　Koller,　“Moving　Object　Recognition　and　Classification　based　on　Recursive　Shape　Parameter　Estimation”.　In　Proc.　12th　Israel　Conference　on　Artificial　Intelligence,　Computer　Vision,　pp.　359-368,　Ramat　Gan,　Israel,　December　27-28,　1993.

【4】 S.J.　McKenna,　Y.Raja,　S.,Gong,　“Tracking　Color　Objects　using　Adaptive　Mixture　Models,”　Image　and　Vision　Computing,　17:223-229,　1999

【5】 Dae-sik　Jang,Gye-young　Kim,　“Model-based　Tracking　of　Moving　Object”,　Patten　Recognition,　30:999-1008,1997

【6】 A.Fusello,　E.Trucco,　　“Improving　Feature　Tracking　with　Robust　Statistics”,　Pattern　Analysis　&　Applications,　2:312-320,1999

【7】 Nikos　Paragios,　Rachid　Deriche,　“Geodesic　Active　Regions　for　Motion　Estimation　and　Tracking”,　Proceedings　of　7th　IEEE　International　Conference　in　Computer　Vision,　Greece,1999

【8】 J.Shi　and　C.Tomasi,　“Good　Feature　to　track”,　Proceedings　of　IEEE　Conference　on　Computer　Vision　and　Pattern　Recognition,　pages　593-600,　1994.

【9】 Joachinm　Denzler　and　Heinrich　Niemannn,　“Combination　of　Simple　Vision　Modules　for　Robust　Real-Time　Motion　Tracking”,　European　Transactions　Telecommunication　Vol.6,　Nr.3,　1995.

【10】 Laurent　D.Cohen,　“On　Active　Contour　Models　and　Balloons”,　CVGIP:IU　March　1991

【11】 W.J.Rucklidge,　“Efficiently　Locating　Objects　Using　Hausdorff　Distance”,　Intl.J.　of　Computer　Vision,　vol.24,　no.3,　pp251-737,　1997

【12】 J.Shi　and　J.Malik.　“Normalized　cuts　and　image　segmentation”,　IEEE　Conference　on　Computer　Vision　and　Pattern　Recognition,　pages　731-737,　1997

【13】 M.Kass,　A.Wittkin　and　K.D.Baker,　“Active　Contour　Model”,　International　Journal　of　Computer　Vision,　2(3):3211-331,1988

【14】 Joachim　Denzler　and　Heinirich　Niemann,　“Combination　of　Simple　Vision　Modules　for　Robust　Real-Time　Motion　Tracking”,　European　Transactions　on　Telecommunications　Vol.6,Nr.3,　1995

【15】 Clark　F.Olson,　“Automatic　Target　Recognition　by　Matching　Oriented　Edge　Pixels”,　IEEE　Transactions　on　Image　Processing,　Vol.6,　No.1,　P103-113,　1997

【16】 G.H.Watson,　“The　dection　of　moving　targets　in　time-sequenced　imagery　using　statistical　background　rejection”,　SPIE,　Vol.3163,　P45-60.

【17】 Pear　A　French,　“Enhanced　Detectablity　of　Small　Objects　in　Correlated　Clutter　Using　an　Improved　2-D　Adaptive　Lattic　Algorithm”,　IEEE　Transactions　on　Image　Processing,　Vol.6,　No.3,　March,　1997,　P383-397.

【18】 Williams,Dona　and　Shah,　Mubarak.　“A　Fast　Algorithm　for　Active　Contours　and　Curvature　Estimation”,　CVGIP:Image　Understanding,　Vol.55,No.1,　1992,　pp.14-26.

【19】 David　Beymer　and　Philip　McLauch,　“A　Real-Time　Computer　Vision　System　for　Measuring　Tracffic　Parameters”,　1997　IEEE

【20】 Jianbo　Shi　and　Jitendra　Malik,　“Motion　Segmentation　and　Tracking　Using　Normalized　Cuts”,　International　Conference　on　Computer　Vision,　January　1998

【21】 A.Bakowski　and　G..A.Jones,　“Video　Surveillance　Tracking　using　color　region　adjacency　graphs”,　School　of　Computer　Secience　and　Electronic　System,　Kingston　University,　Pennrhyn　Road,　Kingsthon　upon　Thames,　KT1　2EE

【22】 Kiran　S.Bhat　and　Mahesh　Saptharishi,　“Motion　Detection　and　Segmentation　Using　Image　Mosaics”,　Carnegie　Mellon　University,　2000

【23】 Gilad　Halevi　and　Daphna　Weinshall,　“Motion　of　Disturbance:　Detection　and　Tracking　of　multi-Body　non-Rigid　Motion”,　Proceedings　IEEE　Conference　on　Computer　Vision　and　Pattern　Recognition,　San-Juan,　June　1997

【24】 Oh-Kyu　and　Dong-Gyu　Sim,　“Robust　Hausdorff　distance　matching　algorithms　using　pyramidal　structures”,　Pattern　Recognition,　34:　pp2005　-2013,　2001

【25】 Y.Raja,　S.McKenna　and　S.Gong,　“Segmentation　and　Tracking　using　color　mixture　models”　In　Asian　Conference　on　Computer　Vision,　1998

【26】 Huttenlocher　D.P.et　Al,　“Comparing　images　using　the　Hausdorff　distance”,　IEEE　Transactions　on　pattern　analysis　and　machine　intelligence,　Vol15,　pp850-863,　1993

作者简介

任明武，南京理工大学计算机系副教授，山东省潍坊市人，1969年生，模式识别与人工智能专业博士。主要研究方向有数字图象处理、机器视觉、图象编码与压缩和计算机工程。作为主要完成人，获国家部级二等奖2项，参加和主持了多项横纵向课题，发表论文27篇，SCI收录2篇，EI收录9篇。