楊 強(qiáng)， 齊美彬，2， 蔣建國，2

(1.合肥工業(yè)大學(xué) 計算機(jī)與信息學(xué)院，安徽合肥 230009;2.合肥工業(yè)大學(xué)安全關(guān)鍵工業(yè)測控技術(shù)教育部工程研究中心，安徽合肥230009)

車輛檢測技術(shù)是實現(xiàn)智能交通監(jiān)控的前提條件，而背景初始化及更新方法則是車輛檢測技術(shù)的重要保障。

基于高斯分布的背景模型是目前較為常用的一種背景模型更新方法[1]，它是把背景圖像看成是前景高斯分布和背景高斯分布的混合體。高斯模型的效果比較好，但是計算量大，不適合實時的車輛檢測。選擇性更新背景模型也是一種常用的背景更新方法[2]，它首先提取車輛檢測的初始背景，將當(dāng)前圖像和背景圖像進(jìn)行背景幀差運(yùn)算，如果某點(diǎn)在當(dāng)前圖像和背景圖像的差值小于閾值時，則認(rèn)為該點(diǎn)為背景，進(jìn)行圖像更新;反之則認(rèn)為該點(diǎn)是運(yùn)動車輛，保持不變。這種模型算法簡單，在背景緩慢變化時可以取得很好的效果，但是背景突變時，會發(fā)生漏檢，如無法處理車輛在背景更新中由運(yùn)動變?yōu)殪o止和由靜止變?yōu)檫\(yùn)動等情況;而且方法中使用的背景幀差運(yùn)算無法消除由于車輛表面某些區(qū)域與背景中路面的灰度接近所產(chǎn)生的運(yùn)動目標(biāo)“孔洞”現(xiàn)象。

另外，也可以從一組觀測圖像中按照一定的假設(shè)選擇像素灰度值更新當(dāng)前背景。文獻(xiàn)[3]認(rèn)為連續(xù)穩(wěn)定狀態(tài)最長的灰度值是背景像素值，但如果前景目標(biāo)運(yùn)動較慢，穩(wěn)定狀態(tài)最長的灰度值往往是前景目標(biāo)，此時會產(chǎn)生錯誤結(jié)果;文獻(xiàn)[4]利用光流場法去掉了由運(yùn)動目標(biāo)產(chǎn)生的穩(wěn)定狀態(tài)最長的灰度值，得到正確結(jié)果，但光流場算法復(fù)雜，運(yùn)算量大;文獻(xiàn)[5]認(rèn)為背景在圖像序列中總是最經(jīng)常被觀測到，并在此基礎(chǔ)上提出了基于像素灰度歸類的背景重構(gòu)算法，當(dāng)假設(shè)成立時能很好地重構(gòu)背景，但是當(dāng)運(yùn)動物體出現(xiàn)的概率大于背景出現(xiàn)的概率時，即假設(shè)不滿足時，不能正確重構(gòu)背景;文獻(xiàn)[6]利用分級分塊背景估計法更新背景，即利用子塊能量和高階矩判斷每一子塊是背景子塊還是運(yùn)動子塊，但分塊的大小會影響重構(gòu)背景的質(zhì)量，分塊過小不能反映高斯分布的特性，分塊過大又會將子塊中的小目標(biāo)恢復(fù)到背景中。

上述許多文獻(xiàn)中的背景更新方法實時性較差，而通過假設(shè)選擇像素灰度值更新當(dāng)前背景具有一定的局限性，不能很好地適應(yīng)多種情況下的背景更新，因此本文采用常用的選擇性背景更新方法，并進(jìn)行了改進(jìn)。首先利用對稱差分法和背景幀差法的“或”融合對傳統(tǒng)的背景幀差法進(jìn)行改進(jìn)，使每個運(yùn)動目標(biāo)成為獨(dú)立的連通域，并采用基于兩輪掃描法的種子填充技術(shù)確定運(yùn)動目標(biāo)區(qū)域和填補(bǔ)運(yùn)動目標(biāo)中的“孔洞”，然后對非運(yùn)動目標(biāo)區(qū)域和運(yùn)動目標(biāo)區(qū)域分別采用逐漸修正法和計數(shù)器更新法2種不同的更新方法進(jìn)行更新，這樣可以有效地解決傳統(tǒng)選擇性背景更新方法的缺陷，有利于適應(yīng)復(fù)雜多變的交通場景，而且具有良好的實時性。

1 改進(jìn)的背景幀差法檢測運(yùn)動目標(biāo)

幀差法是采用圖像相減來獲得圖像信息，常用于檢測相鄰幀圖像的變化，本文采用幀差法檢測當(dāng)前幀相對背景的變化。直接幀差法算法簡單，但是受噪聲影響非常大。同時由于車輛表面存在局部與路面灰度接近的現(xiàn)象，簡單地將當(dāng)前幀和初始背景的差值與閾值進(jìn)行比較，不可避免地會在檢測到的運(yùn)動目標(biāo)中產(chǎn)生“孔洞”現(xiàn)象，而且運(yùn)動目標(biāo)的邊緣往往不是封閉的，這使傳統(tǒng)的種子填充方法無法很好地填充這些“孔洞”。對稱差分法是有效檢測出運(yùn)動目標(biāo)邊緣輪廓的一種方法[7]，本文利用對稱差分法提出一種改進(jìn)的背景幀差法檢測運(yùn)動目標(biāo)。首先利用對稱幀差法盡量連通運(yùn)動目標(biāo)的邊緣，然后與背景幀差的結(jié)果相融合，使每一個運(yùn)動目標(biāo)中的像素點(diǎn)成為獨(dú)立的連通域[8]，最后使用基于兩輪掃描法的種子填充技術(shù)填補(bǔ)車輛的“孔洞”。

1.1 對稱差分算法

對稱差分是通過對連續(xù)3幀序列圖像的差分檢測出中間幀運(yùn)動目標(biāo)的形狀輪廓。這里采用改進(jìn)的連續(xù)3幀對稱差分法，可以更有效地檢測運(yùn)動目標(biāo)的邊緣輪廓。其算法如下[7]:

序列圖像連續(xù)3幀圖像分別用Ik-1(x，y)、Ik(x，y)、Ik+1(x，y)表示，其中(x，y)表示圖像中的像素值。由(1)式可見，對稱差分算法可表示為相鄰2幀的絕對差值，即

其中，d(k-1，k)(x，y)和d(k，k+1)(x，y)通過閾值判斷得到b(k-1，k)(x，y)和b(k，k+1)(x，y)的二值化圖像[9]，然后在每個像素位置按照(2)式對b(k-1，k)(x，y)和b(k，k+1)(x，y)進(jìn)行“或”運(yùn)算得到對稱差分的二值圖像D k(x，y)，即

1.2 對稱差分和背景幀差相融合

上述改進(jìn)后的對稱幀差法能有效地檢測出運(yùn)動物體邊緣的大致輪廓，將對稱差分的結(jié)果與背景幀差結(jié)果相融合，可以使每一個運(yùn)動目標(biāo)中的像素點(diǎn)成為獨(dú)立的連通域。

首先使用多幀平均法建立簡單的背景模型Bk(x，y)[10]，然后用背景幀差法得到二值化的初始運(yùn)動目標(biāo)D Ik(x，y)，最后按照(3)式將對稱差分和背景幀差的結(jié)果做“或”融合，得到最終的運(yùn)動目標(biāo)檢測結(jié)果。

實驗結(jié)果如圖1所示，圖1b中對稱差分的結(jié)果檢測出了運(yùn)動目標(biāo)大致的邊緣輪廓，圖1c為融合后的結(jié)果，從中可以看到每個運(yùn)動目標(biāo)中的像素點(diǎn)已成為獨(dú)立的連通域。

圖1 對稱差分和背景幀差相融合的檢測結(jié)果

為了抑制結(jié)果中的噪聲，在求絕對差分時可以使用中值濾波函數(shù)[11]。

1.3 基于兩輪掃描法的種子填充技術(shù)

傳統(tǒng)的種子填充算法有遞歸種子填充法和掃描線種子填充法[12，13]等。遞歸種子填充法要求填充圖像的邊緣封閉，而且使用的堆棧需要大量的存儲空間，因此效率較低;掃描線種子填充法填充中間帶有孔洞的復(fù)雜圖形可能產(chǎn)生漏填現(xiàn)象。本文提出一種基于兩輪掃描法的種子填充技術(shù)，首先采用兩輪掃描法將一個連通域分割成一個獨(dú)立的目標(biāo)，然后在該目標(biāo)范圍內(nèi)采用逐行逐列掃描填充的方法，這樣既可以在非封閉區(qū)域填充“孔洞”，又大大減少了漏填現(xiàn)象。

1.3.1 基于連通域的兩輪掃描法

經(jīng)過上述的運(yùn)動目標(biāo)檢測算法后，各個運(yùn)動目標(biāo)可以認(rèn)為是一個獨(dú)立的連通域，本文介紹基于連通域的兩輪掃描法標(biāo)記這些運(yùn)動目標(biāo)，可以避免將一個連通域分割為多個目標(biāo)的情況，從而實現(xiàn)目標(biāo)分割。

(1)初步標(biāo)記各個連通域。針對上述改進(jìn)的背景幀差法所得到的二值化圖，按照從上向下、從左至右的順序掃描各像素點(diǎn)，判斷當(dāng)前掃描點(diǎn)像素是否為1，如果像素值為1，說明該點(diǎn)是運(yùn)動像素點(diǎn)，然后判斷該點(diǎn)鄰近像素點(diǎn)是否已被標(biāo)記以決定當(dāng)前像素點(diǎn)標(biāo)記值(如圖2a所示，黑點(diǎn)為當(dāng)前掃描點(diǎn)，白點(diǎn)為需要查詢是否已被標(biāo)記的鄰近像素點(diǎn))，按照從上到下、從左至右的順序?qū)D2a白點(diǎn)(鄰近像素點(diǎn))進(jìn)行掃描，當(dāng)遇到第1個已被標(biāo)記的鄰近像素點(diǎn)，將該像素點(diǎn)的標(biāo)記值作為當(dāng)前掃描像素點(diǎn)的標(biāo)記值，若鄰近像素點(diǎn)都未標(biāo)記，說明該像素點(diǎn)可能屬于一個新的目標(biāo)塊，賦予該像素點(diǎn)新的標(biāo)記值。為了存放各個像素點(diǎn)的標(biāo)記值，對掃描圖像額外建立一個標(biāo)記數(shù)組，數(shù)組大小為掃描圖像像素點(diǎn)個數(shù)，初始化各個值為0。第1輪掃描后可能存在同一連通域的像素點(diǎn)被標(biāo)記成不同目標(biāo)的情況，如圖2b所示，因此需要進(jìn)行第2輪掃描。

(2)第2輪掃描將同一連通域內(nèi)不同標(biāo)記值的目標(biāo)合并為一個目標(biāo)。掃描對象是前面建立的標(biāo)記數(shù)組。判斷每個像素點(diǎn)標(biāo)記值是否為0，如果為0，說明當(dāng)前掃描點(diǎn)為背景像素點(diǎn)，則不予處理。反之，進(jìn)一步查詢當(dāng)前掃描點(diǎn)鄰近像素點(diǎn)是否已被標(biāo)記(類似圖2a)，按照從上到下、從左至右的順序?qū)︵徑袼攸c(diǎn)進(jìn)行掃描，當(dāng)遇到第1個已被標(biāo)記且標(biāo)記值與當(dāng)前像素點(diǎn)標(biāo)記值不同的鄰近像素點(diǎn)時，則進(jìn)行合并，設(shè)該鄰近像素點(diǎn)標(biāo)記值為m，當(dāng)前像素點(diǎn)標(biāo)記值為n(m≠n)，具體合并過程為:將標(biāo)記值為n的目標(biāo)塊內(nèi)所有像素點(diǎn)標(biāo)記值修改為m。通過第2次掃描，使得同一連通域標(biāo)記值為統(tǒng)一數(shù)值，實現(xiàn)目標(biāo)分割，如圖2c所示。

圖2 連通域兩輪掃描法示例

1.3.2 種子填充

將每個車輛標(biāo)記為一個獨(dú)立的目標(biāo)后，即可通過掃描法填充車輛中的“孔洞”。首先記錄每個目標(biāo)塊的范圍，即找出每個目標(biāo)塊在 x軸和y軸的最大最小值，將該目標(biāo)塊置于一個虛擬的矩形框中，在該矩形框范圍內(nèi)開始由上到下、由左到右的進(jìn)行逐行掃描填充。首先將該行第1次和最后一次出現(xiàn)的具有該目標(biāo)塊標(biāo)號的像素點(diǎn)記錄下來，然后在2個記錄的像素點(diǎn)之間掃描，若發(fā)現(xiàn)像素為0的點(diǎn)則直接置為1。逐行掃描填充完成后還可以進(jìn)行逐列掃描填充，方法類似。

圖3所示為采用傳統(tǒng)的掃描線種子填充法和本文使用方法的比較，其中圖3a為原始背景幀差結(jié)果，運(yùn)動目標(biāo)中存在較嚴(yán)重“孔洞”問題且目標(biāo)邊緣不連續(xù)。從2個種子填充法的效果可以看出，圖3b在目標(biāo)中仍存在漏填的“孔洞”和許多不規(guī)則的“裂痕”，而圖3c不存在漏填的“孔洞”，而且“裂痕”較少。

圖3 傳統(tǒng)掃描線種子填充法和本文方法的比較

2 選擇性背景更新方法

外界背景的變化主要包括由光照變化引起的原背景像素值發(fā)生緩慢和小幅度的變化，以及靜止車輛突然運(yùn)動和運(yùn)動車輛長時間停止[14]。車輛檢測的背景應(yīng)該實時更新，這樣才能準(zhǔn)確地實現(xiàn)車輛檢測。本文采用選擇性背景更新方法，通過上述介紹的改進(jìn)背景幀差法和種子填充技術(shù)確定運(yùn)動目標(biāo)區(qū)域后，對非運(yùn)動目標(biāo)區(qū)域采用逐漸修正法更新，對運(yùn)動目標(biāo)區(qū)域采用計數(shù)器更新法進(jìn)行更新，以實現(xiàn)實時準(zhǔn)確的更新背景。

2.1 逐漸修正法

首先介紹常用的背景更新方法——逐漸修正法[15]，通過判斷當(dāng)前幀和背景幀的灰度差而改變背景的灰度，其計算公式為:

其中，B(x，y)表示背景;I(x，y)表示當(dāng)前幀;M為常數(shù)。如果當(dāng)前幀圖像的灰度值比背景圖像的灰度值大，背景的灰度值加M;如果當(dāng)前幀圖像的灰度值比背景圖像的灰度值小，背景的灰度值減M，M選取的大小決定了背景更新的速度，一般取1或2。逐漸修正的方法對整個圖像采用統(tǒng)一的更新策略，這對于背景緩慢變化的區(qū)域有良好的效果，對于車輛運(yùn)動區(qū)域會產(chǎn)生錯誤的更新(如出現(xiàn)車輛拖影)。因此，針對非車輛運(yùn)動區(qū)域背景變化緩慢的特點(diǎn)，本文采用逐漸修正法對其更新，而對于變化較快的車輛運(yùn)動區(qū)域，本文采用一種全新的計數(shù)器更新法避免拖影問題，并且可以有效地處理背景突變(如車輛由運(yùn)動變?yōu)殪o止或由靜止變?yōu)檫\(yùn)動)的情況，有效地解決了傳統(tǒng)選擇性背景更新方法的缺陷。

2.2 計數(shù)器更新法

計數(shù)器更新法的基本算法如下:

為背景幀的每個像素點(diǎn)定義 increase、decrease、initvalue 3個變量，分別為增長計數(shù)器、減少計數(shù)器和像素變化初值，用于判斷是否進(jìn)行背景更新。首先由上述方法得到當(dāng)前幀和前一幀圖像的運(yùn)動目標(biāo)，然后判斷，若某像素點(diǎn)在當(dāng)前幀和前一幀都屬于運(yùn)動目標(biāo)，則對其使用計數(shù)器更新方法:將當(dāng)前幀的該像素點(diǎn)與背景幀對應(yīng)像素點(diǎn)求差值，若差值大于零(小于零)表示該像素點(diǎn)相對于背景出現(xiàn)增大(減小)變化，則增長計數(shù)器increase加1(減少計數(shù)器 decrease加1)，同時用initvalue記錄第1次增長(減少)時的值。當(dāng)|increase-decrease|大于閾值 τ1時，檢查當(dāng)前值與initvalue的差值，當(dāng)此差值小于閾值τ2內(nèi)時才對背景的該像素點(diǎn)用當(dāng)前值更新，同時將3個計數(shù)器清零，否則不對背景作任何操作，僅將3個計數(shù)器清零。這里的τ1取25，τ2取5，可以得到較好的更新效果。

3 算法描述

本文首先使用多幀平均法建立簡單的背景模型Bk(x，y)，然后采用改進(jìn)的選擇性背景更新方法更新背景。

算法的具體步驟如下:

(1)用多幀平均法建立背景模型Bk(x，y)。

(2)利用背景幀差法和對稱差分法分別求出差分后的二值圖DIk(x，y)和Dk(x，y)。

(3)對DIk(x，y)和Dk(x，y)進(jìn)行邏輯或運(yùn)算，得到其融合的結(jié)果BD k(x，y)。

(4)對BD k(x，y)進(jìn)行基于兩輪掃描法的種子填充最終得到車輛運(yùn)動掩碼BW(x，y)。

(5)使用中值濾波函數(shù)去除BW圖像中的孤立噪聲，并確定圖像中的運(yùn)動車輛區(qū)域及背景區(qū)域，本文中運(yùn)動目標(biāo)區(qū)域像素為1，背景區(qū)域像素為0。

(6)選擇性背景更新算法如下:BWk(x，y)為二值圖BW的實時圖像像素點(diǎn)，當(dāng)BWk(x，y)=1時，認(rèn)為是運(yùn)動目標(biāo)區(qū)域，用計數(shù)器更新法對背景進(jìn)行更新;當(dāng)BWk(x，y)=0時，認(rèn)為是背景區(qū)域，用(4)式對背景進(jìn)行更新。

(7)k=k+1，然后回到步驟(2)重復(fù)各步驟操作。

4 實驗結(jié)果與分析

本文所述算法采用CPU為Intel酷睿II(主頻2.13GH z)，內(nèi)存為2 G的計算機(jī)進(jìn)行實驗，程序采用VC6.0編制，并采用基于YUV彩色空間352×288的視頻序列作為輸入，測試視頻是交通比較繁忙的路段。

首先建立初始背景模型，然后將本文改進(jìn)的選擇性背景更新方法和傳統(tǒng)的高斯分布背景更新以及逐漸修正法進(jìn)行比較。3種算法在每幀圖像用于背景更新所消耗的平均時間是:高斯分布背景更新為30.4m s，逐漸修正法為4.5m s，本文方法為15.7 ms。

使用多幀平均法將前100幀原始圖像做均值得出的初始背景模型，如圖4所示，3種方法的更新結(jié)果，如圖5所示。其中，逐漸修正法的M值和本文方法中(4)式的M值均取2，可以實現(xiàn)對光照變化的快速響應(yīng)。

圖4 初始背景模型

圖5 3種方法的背景更新結(jié)果

圖5a、圖5b、圖5c為采用高斯分布的背景更新結(jié)果，由于在圖像幀開始時車流量較大，而采用高斯模型更新背景的計算量大，因此導(dǎo)致實時性較差，背景錯誤的區(qū)域長時間不能通過更新修復(fù);逐漸修正法更新背景結(jié)果如圖5d、圖5e、圖5f所示，車輛經(jīng)過后會留下較為明顯的拖影，而且長時間不能消除。

圖5g、圖5h、圖5i為本文方法更新背景的結(jié)果，與上述2種方法比較可以看出，本文改進(jìn)的選擇性更新方法在車流量大的情況下由于算法簡單，具有良好的實時性，而且對運(yùn)動目標(biāo)區(qū)域采用計數(shù)器更新方法，車輛經(jīng)過后不會出現(xiàn)拖影問題，因此優(yōu)于傳統(tǒng)的2種方法。

在背景部分區(qū)域突變的情況下，使用高斯分布背景更新，并用逐漸修正法和本文方法進(jìn)行比較。在實驗的圖像序列中，從635～689幀，出現(xiàn)了一輛暫停的車輛，使得其后一段時間內(nèi)的背景都受其影響。對該暫停車輛造成的背景突變，背景更新要實現(xiàn)2個功能:在車輛由運(yùn)動變?yōu)殪o止后應(yīng)盡可能快地使靜止車輛成為背景的一部分;在車輛由靜止變?yōu)檫\(yùn)動后應(yīng)盡可能快地消除背景中的該車輛。在實驗結(jié)果中，對于第1個功能的實現(xiàn)，高斯分布背景更新需要51幀更新時間，逐漸修正法需要49幀更新時間，本文方法需要29幀更新時間(在第664幀時完成更新);對于第2個功能的實現(xiàn)，高斯分布背景更新需要67幀更新時間，逐漸修正法需要52幀更新時間，本文方法需要31幀更新時間(在第720幀時完成更新)。

圖6所示提取了視頻序列的第635幀、664幀和720幀原始圖像，其中圖6a、圖6b為車輛暫停時的2幀圖像(暫停車輛在圖像右下角)，圖6c為第720幀圖像，此時暫停車輛已離開。

圖6 提取的3幀原始圖像

使用3種方法對背景突變區(qū)域的更新結(jié)果及在此基礎(chǔ)上的車輛檢測結(jié)果，如圖7所示。其中，圖7a、圖7b是在664幀和720幀時采用高斯分布的背景更新結(jié)果，圖7c是在720幀時對應(yīng)的車輛檢測結(jié)果，從中可以看出高斯分布背景更新實時性較差，背景無法及時得到更新，使720幀時的檢測結(jié)果中出現(xiàn)了錯誤的車輛檢測(錯誤檢測到的車輛在圖像右下角)。

圖7d、圖7e、圖7f為逐漸修正法在對應(yīng)圖像幀的背景更新及車輛檢測結(jié)果，從中可以看出逐漸修正法對突變區(qū)域更新較慢，影響了第720幀的車輛檢測結(jié)果。

圖7g、圖7h、圖7i為本文方法的背景更新及檢測結(jié)果，本文方法中的計數(shù)器更新法在664幀和720幀時使背景變化大的部分及時得到更新。因此在720幀時得到了正確的車輛檢測結(jié)果，所以本文方法對背景突變區(qū)域的更新具有良好的實時性，從而提高了車輛檢測的準(zhǔn)確性，優(yōu)于前2種方法。

圖7 3種方法的更新結(jié)果及車輛檢測結(jié)果

5 結(jié)束語

本文提出了一種用于車輛檢測的選擇性背景更新方法，首先利用改進(jìn)的對稱差分和背景幀差相融合以及基于兩輪掃描法的種子填充技術(shù)檢測運(yùn)動目標(biāo)，然后針對運(yùn)動目標(biāo)區(qū)域和非運(yùn)動目標(biāo)區(qū)域采用不同的更新方法進(jìn)行更新。從實驗結(jié)果可以看出，與傳統(tǒng)的高斯分布背景更新和逐漸修正法相比，本文方法算法簡單，具有良好的實時性，不會產(chǎn)生車輛拖影問題，而且對背景部分區(qū)域突變的情況，可以及時更新背景，得到正確的目標(biāo)檢測結(jié)果，優(yōu)于傳統(tǒng)方法，因此，本文方法在背景實時更新及目標(biāo)檢測能力上具有實用價值。

[1] E lgamm al A，H arw ood D，Davis L.Non-parametric model for background subtraction[C]//The 6th Eu ropean Conference on Computer V ision.Dublin，Ireland:IEEE，2000: 1-17.

[2] Fathy M，Siyal M Y.An imagedetection technique based on m orphological edge detection and background differencing for real-time traffic analysis[J].Pattern Recognition Leters，1995，16(12):1321-1330.

[3] LongW，Yang Y H.Stationary background generation:an alternative to the difference of tw o im ages[J].Pattern Recognition，1990，23(12):1351-1359.

[4] Gutchess D，T rajkonic M，Cohen-Solal E，et al.A background model initialization algorithm for video surveillance [C]//The 8th IEEE Int Conference on Compu ter V ision. Vancouver:IEEE，2001:733-740.

[5] Ko rnprobst P，Deriche R，Aubert G.Image sequence analysisvia partial difference equations[J].Jou rnal of Mathematical Im aging and V ision，1999，11(1):5-26.

[6] 崔宇巍.運(yùn)動目標(biāo)檢測與跟蹤中有關(guān)問題的研究[D].西安:西北大學(xué)電子科學(xué)系，2005.

[7] 陳朝陽，張桂林.基于圖像對稱差分運(yùn)算的運(yùn)動小目標(biāo)檢測方法[J].華中理工大學(xué)學(xué)報，1998，26(9):34-35，38.

[8] 蔣建國，劉 揚(yáng)，詹 曙.灰度視頻序列中駕駛員疲勞實時檢測方法[J].合肥工業(yè)大學(xué)學(xué)報:自然科學(xué)版，2008，31 (9):1424-1427，1442.

[9] Liption A J，F(xiàn)ujiyoshi H，PatilR S.Moving target c lassification and tracking from real-time video[J].IEEE T ransactions on Workshop Application of Computer V ision，1998，10:8-14.

[10] 王 齊.基于視頻圖像的交通監(jiān)控系統(tǒng)研究[D].西安:西北工業(yè)大學(xué)自動化學(xué)院，2005.

[11] 周西漢.一種基于對稱差分和背景消減的運(yùn)動物體檢測方法[J].計算機(jī)仿真，2005，22(4):117-123.

[12] 倪玉山，林德生.擴(kuò)充堆棧結(jié)構(gòu)的種子點(diǎn)區(qū)域填充算法[J].復(fù)旦學(xué)報:自然科學(xué)版，2000，39(1):99-103.

[13] 孫家廣，楊長貴.計算機(jī)圖形學(xué)[M].北京:清華大學(xué)出版社，1998:185-197.

[14] 鄒承明，李 偉.一種改進(jìn)的自適應(yīng)背景更新算法[J].武漢理工大學(xué)學(xué)報:自然科學(xué)版，2009，31(3):45-48.

[15] Jung Y K，H o Y S.Traffic parameter ex traction using video-based vehicle tracking[C]//IEEE Conference on Intelligent Transportation System s.Tokyo，Japan:IEEE，1999: 764-769.