基于目標(biāo)序列分析的智能監(jiān)控多目標(biāo)自動(dòng)檢測(cè)跟蹤

劉李漫, 張治國(guó)

(1中南民族大學(xué) 生物醫(yī)學(xué)工程學(xué)院，武漢 430074；2華中科技大學(xué) 自動(dòng)化學(xué)院，武漢 430074)

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤技術(shù)在軍事制導(dǎo)、視覺(jué)導(dǎo)航、機(jī)器人、智能交通、公共安全等領(lǐng)域都有著越來(lái)越廣泛的應(yīng)用. 在智能交通管理中，進(jìn)行多目標(biāo)的跟蹤、運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)及狀態(tài)的采集是非常重要的步驟，對(duì)其后續(xù)進(jìn)行事件分析并最終形成決策起著關(guān)鍵作用.

典型的智能交通管理系統(tǒng)通常包括場(chǎng)景中多個(gè)運(yùn)動(dòng)目標(biāo)的自動(dòng)檢測(cè)、跟蹤以及多個(gè)目標(biāo)的運(yùn)動(dòng)參數(shù)的提取計(jì)算，從而分析獲得監(jiān)控結(jié)果. 在此過(guò)程中，主要是通過(guò)固定的監(jiān)視攝像頭對(duì)監(jiān)控場(chǎng)景進(jìn)行實(shí)時(shí)錄像，在靜態(tài)背景下通過(guò)對(duì)序列圖像進(jìn)行分析研究，根據(jù)運(yùn)動(dòng)信息獲得靜態(tài)場(chǎng)景下運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果. 然后利用多目標(biāo)的跟蹤對(duì)檢測(cè)到的多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，從而獲得視頻序列中相同目標(biāo)之間的相對(duì)運(yùn)動(dòng)速度和位移等參數(shù). 這些參數(shù)可以作為緩解交通擁堵等現(xiàn)象的依據(jù). 其中，對(duì)監(jiān)控場(chǎng)景中運(yùn)動(dòng)的多目標(biāo)進(jìn)行自動(dòng)檢測(cè)和跟蹤是智能交通監(jiān)控的重要挑戰(zhàn).

針對(duì)監(jiān)控視頻大多具有固定攝像頭、靜止背景的特點(diǎn)，對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)提取目前較為廣泛采用的是基于背景統(tǒng)計(jì)模型的目標(biāo)分割技術(shù)[1, 2]、基于變化的目標(biāo)分割技術(shù)[3]、基于圖論[4]這3種目標(biāo)提取算法.

此外，Yang 等[5]設(shè)計(jì)了計(jì)算模型來(lái)估計(jì)運(yùn)動(dòng)目標(biāo)及其方向，并認(rèn)為更符合視覺(jué)觀察特性；Yamamoto等[6]和Eveland 等[7]采用背景信息估計(jì)運(yùn)動(dòng)目標(biāo). Yamamoto等根據(jù)目標(biāo)的點(diǎn)、線、面的特征，以及這些特征與背景的關(guān)系，估計(jì)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)范圍作為先驗(yàn)，增強(qiáng)了運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤的準(zhǔn)確性. 文獻(xiàn)[8-15]分別提出基于核密度估計(jì)、粒子濾波、超級(jí)像素、顏色屬性、局部稀疏表示、連續(xù)目標(biāo)序列標(biāo)記等多目標(biāo)跟蹤方法.

本文首先采用基于高斯混合模型[2]的背景建模方法檢測(cè)運(yùn)動(dòng)的目標(biāo)，然后提取運(yùn)動(dòng)目標(biāo)的團(tuán)塊信息，并根據(jù)目標(biāo)的團(tuán)塊信息在前后幀之間的匹配結(jié)果，實(shí)現(xiàn)目標(biāo)的自動(dòng)跟蹤. 同時(shí)，根據(jù)道路交通監(jiān)控場(chǎng)景中的多個(gè)運(yùn)動(dòng)目標(biāo)的目標(biāo)狀態(tài)，構(gòu)建目標(biāo)狀態(tài)列表. 針對(duì)被劃分到不同列表中的目標(biāo)，采用不同的目標(biāo)狀態(tài)管理策略對(duì)目標(biāo)狀態(tài)進(jìn)行維護(hù)和更新，增強(qiáng)目標(biāo)檢測(cè)和跟蹤的魯棒性. 系統(tǒng)流程如圖1所示.

圖1 多目標(biāo)跟蹤流程圖Fig.1 Flow chart of multi-tracking

1 算法原理及系統(tǒng)設(shè)計(jì)

利用基于高斯混合模型的背景建模，提取連續(xù)幀圖像中的運(yùn)動(dòng)前景區(qū)域，并根據(jù)歷史信息對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行篩選和過(guò)濾，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)和標(biāo)記. 然后根據(jù)檢測(cè)結(jié)果提取目標(biāo)模板，利用模板跟蹤場(chǎng)景中的多目標(biāo). 采用不同狀態(tài)目標(biāo)分類管理策略，根據(jù)不同的目標(biāo)狀態(tài)，有針對(duì)性地進(jìn)行目標(biāo)狀態(tài)的更新和維護(hù).

1.1 目標(biāo)信息提取

根據(jù)目標(biāo)的運(yùn)動(dòng)特性，模塊采用基于高斯混合模型[2]的背景建模方法，提取連續(xù)幀中的運(yùn)動(dòng)目標(biāo). 這步驟的主要目的是將場(chǎng)景中所有潛在的運(yùn)動(dòng)目標(biāo)區(qū)域提取出來(lái)，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行初步分割，分割結(jié)果用來(lái)進(jìn)行后續(xù)的目標(biāo)檢測(cè)以及跟蹤. 通過(guò)高斯混合模型對(duì)視頻序列中的目標(biāo)進(jìn)行運(yùn)動(dòng)信息提取，獲得一系列的離散運(yùn)動(dòng)像素點(diǎn)或者像素點(diǎn)聚集的團(tuán)塊. 對(duì)提取的運(yùn)動(dòng)團(tuán)塊，進(jìn)行團(tuán)塊歷史信息的分析，進(jìn)一步獲得目標(biāo)檢測(cè)結(jié)果.

1.2 目標(biāo)檢測(cè)

采用高斯混合模型提取的運(yùn)動(dòng)信息往往會(huì)由于實(shí)際視頻中的背景動(dòng)態(tài)干擾、噪聲等因素的影響導(dǎo)致不夠魯棒.如圖2為高斯背景建模示例圖，有較多的噪聲點(diǎn)，對(duì)于在圖像中位置較為接近的目標(biāo)，經(jīng)建模后得到的車(chē)輛團(tuán)塊被合并成一團(tuán)，不能對(duì)車(chē)輛位置進(jìn)行很好的區(qū)分. 因此，本文在目標(biāo)檢測(cè)模塊中將前一步初步提取的運(yùn)動(dòng)目標(biāo)信息進(jìn)行了分析，從而得到精確的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，同時(shí)過(guò)濾了虛警等非運(yùn)動(dòng)目標(biāo)區(qū)域.

圖2 背景建模示例Fig.2 Example of background generation

在目標(biāo)檢測(cè)模塊中，通過(guò)對(duì)提取的目標(biāo)信息在視頻序列中的歷史狀態(tài)的分析來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè). 將目標(biāo)信息提取得到的每一幀目標(biāo)信息形成目標(biāo)信息歷史序列. 對(duì)序列進(jìn)行分析，采用匹配算法將其中較為穩(wěn)定的區(qū)域作為精確的目標(biāo)檢測(cè)結(jié)果(圖3).

圖3 基于歷史信息的目標(biāo)檢測(cè)方法Fig.3 Object detection based on historical information

首先對(duì)連續(xù)視頻序列中獲得的前景點(diǎn)或者前景簇信息進(jìn)行團(tuán)塊檢測(cè)，通過(guò)團(tuán)塊檢測(cè)得到視頻序列在當(dāng)前時(shí)刻所有可能的團(tuán)塊. 圖3中對(duì)于每一時(shí)刻的目標(biāo)信息提取即為獲得每一時(shí)刻的團(tuán)塊信息. 團(tuán)塊檢測(cè)通過(guò)對(duì)每一幀中前景點(diǎn)的聚類獲得. 通過(guò)圖割的方法獲得前景點(diǎn)團(tuán)塊信息，獲得的團(tuán)塊信息被存儲(chǔ)在團(tuán)塊列表，列表中的所有團(tuán)塊所在區(qū)域被認(rèn)為是潛在的運(yùn)動(dòng)目標(biāo)所在區(qū)域. 對(duì)于得到的團(tuán)塊列表，通過(guò)對(duì)視頻中當(dāng)前幀的歷史幀中團(tuán)塊列表進(jìn)行統(tǒng)一性分析，對(duì)目標(biāo)歷史序列中每一幀的團(tuán)塊進(jìn)行檢測(cè)，得到具有統(tǒng)一運(yùn)動(dòng)方向的團(tuán)塊，即為當(dāng)前時(shí)刻的運(yùn)動(dòng)目標(biāo)區(qū)域. 具體算法如下：

(1) 對(duì)視頻序列中當(dāng)前幀以及當(dāng)前幀之前的歷史幀中提取得到的目標(biāo)運(yùn)動(dòng)信息進(jìn)行團(tuán)塊檢測(cè)，得到當(dāng)前幀的所有團(tuán)塊的列表：

BLt=(B1,t,……，Bi,t，……，Bn,t),

(1)

BLt表示t時(shí)刻檢測(cè)獲得的所有團(tuán)塊，Bi,t表示當(dāng)前幀中的第i個(gè)團(tuán)塊.

(2) 在運(yùn)動(dòng)目標(biāo)團(tuán)塊列表中進(jìn)行統(tǒng)一性檢測(cè)，目的是進(jìn)一步精確地確定目標(biāo)，濾除虛警. 具體算法如圖4所示.

圖4 統(tǒng)一性檢測(cè)Fig.4 Consistency detection

圖4的每列為t-i時(shí)刻的團(tuán)塊列表形成的團(tuán)塊隊(duì)列，其中0≤i

(1)對(duì)于不同的團(tuán)塊隊(duì)列，如果團(tuán)塊Ba,j與Bb,j(其中i，j表示相鄰的兩幀)區(qū)域位置相交且兩個(gè)團(tuán)塊中心之間距離(歐氏距離)最近，則進(jìn)行(2)中的判斷.

(2)如果上述兩個(gè)團(tuán)塊的特征還同時(shí)滿足以下條件，則最終判定團(tuán)塊Ba,j和團(tuán)塊Bb,j具備統(tǒng)一性：

θ1≤Ba,j·w/Bb,j·w≤θ2,

(2)

β1≤Ba,j·h/Bb,j·h≤β2,

(3)

其中，Ba,j·w與Bb,j·w分別為團(tuán)塊Ba,j和Bb,j的寬度，Ba,j與Bb,j分別為兩個(gè)團(tuán)塊的高度. 實(shí)驗(yàn)中參數(shù)θ1(β1)與θ2(β2)分別取0.7和1.3.

通過(guò)對(duì)團(tuán)塊列表中的所有潛在目標(biāo)團(tuán)塊進(jìn)行統(tǒng)一性檢測(cè)，可精確判定當(dāng)前幀的運(yùn)動(dòng)目標(biāo)團(tuán)塊，并且抑制虛警和噪聲對(duì)目標(biāo)檢測(cè)的影響.

1.3 多目標(biāo)跟蹤與管理

多目標(biāo)跟蹤與管理用于實(shí)現(xiàn)對(duì)道路交通監(jiān)控場(chǎng)景中多個(gè)運(yùn)動(dòng)目標(biāo)的同時(shí)跟蹤并對(duì)跟蹤過(guò)程中目標(biāo)狀態(tài)的更新與維護(hù). 在多目標(biāo)的跟蹤過(guò)程中，常常出現(xiàn)跟蹤目標(biāo)偏移現(xiàn)象. 本方法通過(guò)目標(biāo)分類管理，能夠有效解決多目標(biāo)在跟蹤過(guò)程中的偏移問(wèn)題. 同時(shí)，通過(guò)對(duì)不同目標(biāo)分類的實(shí)時(shí)維護(hù)，減少目標(biāo)跟蹤過(guò)程中的跟蹤丟失現(xiàn)象. 本模塊將跟蹤的目標(biāo)分為三類，目標(biāo)的分類及具體流程如圖5所示.

圖5 目標(biāo)列表對(duì)比Fig.5 Object list contrast

1.3.1 目標(biāo)跟蹤

在進(jìn)行多目標(biāo)跟蹤中采用模板匹配方法, 首先將目標(biāo)檢測(cè)模塊得到的目標(biāo)區(qū)域?qū)?yīng)的灰度圖像作為目標(biāo)模板，然后在當(dāng)前幀中進(jìn)行相似度計(jì)算，最終匹配得到當(dāng)前幀中該目標(biāo)的區(qū)域位置.

相似度計(jì)算的目的是在當(dāng)前待檢測(cè)圖像中得到與目標(biāo)模板相似度最大的目標(biāo)窗口. 相似度計(jì)算公式如下：

(4)

式中，(U,V)表示目標(biāo)模板的左右邊界，(x，y)表示移動(dòng)的范圍. 目標(biāo)模板T(U,V)由檢測(cè)得到的目標(biāo)灰度圖像獲得，目標(biāo)模板在當(dāng)前幀圖像Is(X,Y)內(nèi)采用滑動(dòng)窗的方式移動(dòng)，計(jì)算出當(dāng)前幀中每一點(diǎn)與目標(biāo)圖像的相似度值，即公式(4)中歸一化評(píng)價(jià)函數(shù)NC的結(jié)果，從而得到當(dāng)前幀的相似度矩陣，其中最大值對(duì)應(yīng)的點(diǎn)即為模板匹配得到的當(dāng)前幀的目標(biāo)跟蹤位置.

1.3.2 目標(biāo)更新及管理

目標(biāo)更新與管理首先是對(duì)比當(dāng)前幀跟蹤得到的目標(biāo)與檢測(cè)得到的目標(biāo)，并將當(dāng)前幀的目標(biāo)劃分為三類：新進(jìn)入的目標(biāo)、下一時(shí)刻需要繼續(xù)跟蹤的老目標(biāo)以及需要進(jìn)行模板更新的目標(biāo). 目標(biāo)劃分是通過(guò)目標(biāo)列表對(duì)比完成的，通過(guò)列表中目標(biāo)與邊界信息之間的對(duì)比結(jié)果，將目標(biāo)劃分為如圖5所示的三類目標(biāo). 對(duì)比完成后，對(duì)三類目標(biāo)分別進(jìn)行不同策略的管理.

(1) 對(duì)于新進(jìn)入監(jiān)控視野的目標(biāo)，初始化目標(biāo)位置為目標(biāo)檢測(cè)得到的目標(biāo)區(qū)域；然后該目標(biāo)區(qū)域?qū)?yīng)的當(dāng)前幀圖像區(qū)域，作為該目標(biāo)的模板保存下來(lái)以便在下一時(shí)刻進(jìn)行目標(biāo)跟蹤算法；將該目標(biāo)標(biāo)記為需要繼續(xù)跟蹤的老目標(biāo)，并存入相應(yīng)的列表.

(2)對(duì)于正常跟蹤的目標(biāo)，其管理工作主要分為三個(gè)部分：對(duì)需要跟蹤的目標(biāo)，采用本文中的跟蹤算法進(jìn)行繼續(xù)跟蹤；將跟蹤丟失或是從視場(chǎng)中移出的目標(biāo)從列表中刪除；將未被移出的目標(biāo)重新融入到下一時(shí)刻的相應(yīng)跟蹤列表.

(3) 對(duì)于需要進(jìn)行模板更新的目標(biāo)，將目標(biāo)檢測(cè)所得的區(qū)域?qū)?yīng)的圖像作為該目標(biāo)的模板保存下來(lái)并使用該更新后的模板進(jìn)行跟蹤算法. 這一工作可以及時(shí)更新運(yùn)動(dòng)目標(biāo)的特征模板，以便更好地進(jìn)行后續(xù)跟蹤，很大程度上避免了由于運(yùn)動(dòng)目標(biāo)的方位變化或者輕微遮擋所導(dǎo)致的目標(biāo)丟失現(xiàn)象.

2 算法描述

本文基于交通監(jiān)控視頻序列，實(shí)現(xiàn)視頻序列中多目標(biāo)的信息提取、多目標(biāo)檢測(cè)、多目標(biāo)的跟蹤以及目標(biāo)管理等. 整個(gè)系統(tǒng)的具體算法描述如下：

系統(tǒng)輸入：視頻的圖像序列l(wèi)1，l2,…,lt.

系統(tǒng)輸出：監(jiān)控場(chǎng)景視頻序列中所有運(yùn)動(dòng)目標(biāo)的跟蹤結(jié)果，并利用目標(biāo)矩形Ri,j進(jìn)行標(biāo)記，Ri,j表示目標(biāo)i在t時(shí)刻的標(biāo)記.

初始化：

(2) 根據(jù)運(yùn)動(dòng)目標(biāo)信息提取結(jié)果，初始化歷史團(tuán)塊列表隊(duì)列BLLt=(BLt-n+1,BLt-n+2，…，BLt-1，BLt),其中BLT為t時(shí)刻的團(tuán)塊檢測(cè)結(jié)果.

過(guò)程描述：

(1)運(yùn)動(dòng)目標(biāo)信息提取

(2) 目標(biāo)檢測(cè)

(3) 目標(biāo)跟蹤與管理

(a)如果列表中的目標(biāo)移動(dòng)出所在監(jiān)控視頻的視野內(nèi)，則從列表中刪除相應(yīng)的目標(biāo)記錄.

(b)如果列表中的目標(biāo)與目標(biāo)模板之間的匹配度小于設(shè)定的閾值，則從列表中刪除該目標(biāo)的記錄.

(c)如果未發(fā)生以上兩種情況，則將該目標(biāo)加入列表TLt+1中.

2) 利用矩形框?qū)α斜鞹Lt+1中的所有目標(biāo)進(jìn)行標(biāo)記，并輸出.

實(shí)驗(yàn)中目標(biāo)信息歷史圖像序列最大保存數(shù)目n取5，每一時(shí)刻的團(tuán)塊列表中存儲(chǔ)團(tuán)塊列表的最大數(shù)目取10.

3 實(shí)驗(yàn)結(jié)果與分析

采用兩個(gè)實(shí)際的交通監(jiān)控視頻對(duì)本文提出的多目標(biāo)跟蹤算法框架進(jìn)行實(shí)驗(yàn)分析，效果如圖6和7所示.

注：從左到右從上到下分別為視頻的第363、404、1218、1248、1276、1305幀，每個(gè)目標(biāo)用矩形框標(biāo)記，并具有唯一的數(shù)字標(biāo)識(shí) 圖6 多目標(biāo)跟蹤實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of multi-object tracking

首先采用高斯背景建模方法逐漸提取視頻中的運(yùn)動(dòng)目標(biāo)，進(jìn)而采用模板匹配及信息融合的方式進(jìn)行目標(biāo)跟蹤，在跟蹤的同時(shí)亦檢測(cè)視頻中新增加的目標(biāo). 整個(gè)過(guò)程對(duì)視頻中的檢測(cè)及跟蹤的目標(biāo)進(jìn)行列表處理，包括新增目標(biāo)、跟蹤目標(biāo)以及溢出目標(biāo). 對(duì)疑似目標(biāo)在跟蹤的同時(shí)還進(jìn)行時(shí)間序列分析，對(duì)于虛假的不實(shí)目標(biāo)予以剔除，只有真實(shí)的目標(biāo)才會(huì)進(jìn)入跟蹤目標(biāo)列表. 系統(tǒng)有效地利用了圖像序列之間的關(guān)聯(lián)信息，因而具有很好的實(shí)時(shí)性. 程序采用C++編寫(xiě)，在VC 6.0平臺(tái)上完成. 帶有2.0 GHz處理器及4 GB內(nèi)存的筆記本電腦能夠同時(shí)完成對(duì)30個(gè)運(yùn)動(dòng)視頻目標(biāo)實(shí)時(shí)的檢測(cè)跟蹤，每一幀的平均處理時(shí)間約為0.067 s.

根據(jù)對(duì)實(shí)驗(yàn)結(jié)果的分析可以得出，本文所提出的多目標(biāo)檢測(cè)跟蹤方法，能夠?qū)崿F(xiàn)在道路交通場(chǎng)景中，多目標(biāo)的實(shí)時(shí)自動(dòng)檢測(cè)和跟蹤. 同時(shí)，本方法利用目標(biāo)信息提取、融合目標(biāo)歷史信息以及對(duì)目標(biāo)采取分類管理和維護(hù)的方法，能夠有效地抑制多目標(biāo)跟蹤過(guò)程中出現(xiàn)的目標(biāo)偏移以及跟蹤丟失等問(wèn)題.

注：從左到右從上到下分別為視頻的第891、911、942、973幀. 每個(gè)目標(biāo)用矩形框標(biāo)記，并具有唯一的數(shù)字標(biāo)識(shí)圖7 多目標(biāo)自動(dòng)跟蹤實(shí)驗(yàn)結(jié)果.Fig.7 Experimental results of multi-object tracking

為了進(jìn)一步驗(yàn)證本方法跟蹤的魯棒性，對(duì)本文方法與模板跟蹤方法的跟蹤效果進(jìn)行了比較. 由于模板匹配需要手動(dòng)確定初始幀中的目標(biāo)，通過(guò)矩形框的形式在視頻的第一幀中給出跟蹤目標(biāo)的位置. 同時(shí)，模板匹配為單目標(biāo)跟蹤，因此在對(duì)比過(guò)程中僅僅對(duì)場(chǎng)景中的一個(gè)目標(biāo)的跟蹤效果進(jìn)行了比較. 圖8表示的是本文方法與模板跟蹤方法在驗(yàn)證視頻中的對(duì)比結(jié)果(圖8a本方法，圖8b模板跟蹤法). 圖中分別為驗(yàn)證視頻的第302、325、348、371、394、417幀. 從圖8a中可以看出，在驗(yàn)證視頻中，本文提出的方法能夠?qū)崿F(xiàn)多目標(biāo)的有效跟蹤. 在第325幀，目標(biāo)雖然被場(chǎng)景中的物體所遮擋，仍然能夠?qū)δ繕?biāo)進(jìn)行很好的跟蹤. 在第417幀處，兩輛車(chē)的相對(duì)位置非常相近，依然能夠準(zhǔn)確地跟蹤到目標(biāo)車(chē)輛. 從圖8b中可以看出，在第417幀處，由于兩輛車(chē)位置相近并且外觀特征較為接近，同時(shí)由于目標(biāo)的行駛方向產(chǎn)生偏轉(zhuǎn)，導(dǎo)致模板跟蹤方法丟失所跟蹤目標(biāo).

注：從左到右，從上到下分別為視頻的第302、325、348、371、394、417幀，矩形框表示所跟蹤目標(biāo)的跟蹤框圖8 本文提出的跟蹤方法與模板跟蹤方法的對(duì)比結(jié)果.Fig.8 Comparison between the proposed method and template tracking

4 結(jié)語(yǔ)

提出了一種基于道路交通場(chǎng)景的運(yùn)動(dòng)物體多目標(biāo)的自動(dòng)檢測(cè)與自動(dòng)跟蹤方法. 首先利用背景建模的方法提取目標(biāo)的運(yùn)動(dòng)信息，通過(guò)對(duì)當(dāng)前時(shí)刻幀以及當(dāng)前時(shí)刻幀對(duì)應(yīng)的歷史幀中目標(biāo)的運(yùn)動(dòng)信息的統(tǒng)一性分析，得到多目標(biāo)的檢測(cè)結(jié)果. 然后，利用模板跟蹤的方法，對(duì)檢測(cè)到的目標(biāo)進(jìn)行目標(biāo)跟蹤，同時(shí)對(duì)不同的目標(biāo)狀態(tài)，針對(duì)性地將目標(biāo)劃分為三類：新進(jìn)入監(jiān)控視野目標(biāo)、正常跟蹤目標(biāo)和需要進(jìn)行模板更新目標(biāo)，對(duì)每一類目標(biāo)采用不同的跟蹤和管理策略. 通過(guò)對(duì)真實(shí)道路監(jiān)控場(chǎng)景的試驗(yàn)證明，本文中提出的方法能夠有效地實(shí)現(xiàn)交通場(chǎng)景下多目標(biāo)的自動(dòng)檢測(cè)與跟蹤.