小事通过采用更新后关系才决定。然后，当经历组次数较少重复之后实际中采用，群落最终位置和大小才被确定。为了增加其稳定性，我们采用混合来决定群落位置和大小。首先，当前位置是通过寻找个对位置来说稳定方法和种对规模来说标准偏离于大部分接近初始估计位置角追踪例如位置来确定。然后，群落现实大小用混合来决定。例如，−−,此处指当前群落半径，−指之前图像群落半径，是从当前图像中估计出半径，而是个随时间逐渐衰减变量。例如，我们使用,其中是轨迹长度，而是连续下降比率当时。贝叶斯成果之被用于决定角特征关系。假长直到覆盖到整个图像。突然光照变化在许多领域中都时常发生，应为大多数摄像机都有自动光圈。多种多样扩充被使用到了背景差值中，例如，使用临时中值替代混合。还有更新成果，.引进了多种扩充，包括多层背景模型和动态临界值使用。这样扩充极大地提高了稳定性，但是自我反馈问题依然存在。因此，我们结合种外部线索角特征值来产生出更稳定。此外，我们采用以下方法对公式进行修正将临时中值方法和混合相结合添加光照修正步骤来处理突然临时光照变化而且我们使用了更新公式𝐵𝑡𝐼𝑐𝐵𝑡𝑀𝑡𝐼𝑐−𝛼𝐵𝑡𝛼𝑁𝑡𝑀𝑡,其中表示光照修正函数而是近期图像比如说帧临时中值。注意我们背景更新率是帧图像每秒，帧图像也就相当于到秒。光照修正也被用于每个值中，因为自动光圈也会改变颜色分布色调𝑘𝑅𝑘𝐵,这里,和是由图像中所有像素点,和比例来决定。是现在图像像素值。图.整个图像在两辆白色汽车通过底部时因为使用自动光圈摄像机而突然变暗。种未经过光照修正较差检测结果。经过光照修正效果增强结果。对于来说，我们采用标准步骤来开始区分差别，用形态学操作或在表面光滑后采用临界值，然后进行连接要素分析来填补空洞，去除小区域和需找目标气泡。在目标被发现之后，我们采用个额外确认步骤来消除重影。我们假设在所有无重影前景图像中存在至少个有效角，例如，个没有在背景图像中发现角特征。对于有效角更多细节请参见第部分。由自动光圈摄像机造成光照问题个实例结果在图中显示。底部两辆汽车使得整个图像变得昏暗图而它导致了个尤为严重错误警告图。然而，通过采用光照修正，这种错误被缩小了。所得目标点不是最终结果，而是采用特征追踪分组作为补充线索所获得。这些方法我们将在下部分讨论。.特征追踪和分组以往特征分组工作,目标中分组角特征采用邻近和位移历史。这种单级分组要么十分困难要么就计算量大，特别是在我们处理不同大小目标时例如，自行车，行人，小轿车和大卡车尤为突出。举例来说，属于相同车辆角特征值差距比相邻车辆两个角特征值大得多，这可能会搞乱分组算法。然而，当我们使用精密分组算法来解决这问题，尤其是在比较角特征长轨迹时，又会带来计算负担。为了有效地解决这问题，我们展示种多级分组。在这种多级分组中，单独角特征首先被分到小群落中“群落特征”然后群落特征再被分到目标特征中。与之前方法相反,分组将会在所有图像中进行动态分组，其将在最终追踪结果中采用分组算法。因此，介绍算法将会被实时调用。注意我们主要目标之就是产生目标轨迹。因此，直接采用传统分组算法例路线和标准化切割来帧帧比较不会提供稳定轨迹。角特征追踪低级特征值是通过寻找本地导数和特征值来检测。角特征只有在背景差值算法估计出前景区域中才能被检验出。被检测出角通过交叉关联模板和小图像片相匹配在我们执行过程中采用。搜索窗口根据应用不同而有所不同，但当角方向或速度未知时首先采用个较大窗口例如然后再采用个接近期望由之前运动估计出较小窗口例如，。被跟踪角通过与背景图片比较而生效另个模板匹配搜索以个较小搜索窗口在我们执行过程中是规模在背景图像上进行。当个角在背景图像中有相匹配部分，则其被视作无效而被剔除。这种无效角通常是由追踪失败造成错误如漂移或估计前景部分错误导致。在追踪大量我们取连续图像后，若角特征在背景图像中没有匹配，也没有移动或被存在群落获得见.部分，我们就将其视作有效。当个角特征匹配在大量我们取连续图像上失败，我们就不再使用它了。在每张图像中都有角特征值都被检测出，而只有那些不与存在东西相重叠才要被追踪。注意个特征轨迹可根据标记十字路口长信号时间包含数千帧长交通视频图像。然而，我们无需保存所有数千帧角轨迹，由于采用动态多级分组方法，在我们实际应用中只需保存最近帧。所得角轨迹结果角追踪在图中被显示。在数量众多图像中只有些角被追踪，而另些则无需追踪。图.角追踪。单独角特征追踪由于多种原因而失败。这导致了支离破碎轨迹。群落追踪下步是将角追踪分为小群落，且使每个由个圈来表示。如.部分椭圆也在单级分组中被使用。我们采用个最大期望算法变种来进行分组。对于每个群落，其在新图像预期位置和大小是由其当前成员角特征值决定。而对于每个角特征，其当前图像中关系是由其比较器位置位移历史过去轨迹之前群落关系和背景差值点相对其父群落历史关系反向决定。群落位置和大小事通过采用更新后关系才决定。然后，当经历组次数较少重复之后实际中采用，群落最终位置和大小才被确定。为了增加其稳定性，我们采用混合来决定群落位置和大小。首先，当前位置是通过寻找个对位置来说稳定方法和种对规模来说标准偏离于大部分接近初始估计位置角追踪例如位置来确定。然后，群落现实大小用混合来决定。例如，−−,此处指当前群落半径，−指之前图像群落半径，是从当前图像中估计出半径，而是个随时间逐渐衰减变量。例如，我们使用,其中是轨迹长度，而是连续下降比率当时。贝叶斯成果之被用于决定角特征关系。假.,,.,,,.,.,.,.,.,,,,,,,.,.,.,,,.,..,,,.,.,,.,,,.,.,,.,.,,.长直覆盖到整个图像。突然光照变化在许多领域中都时常发生，应为大多数摄像机都有自动光圈。多种多样扩充被使用到了背景差值中，例如，使用临时中值替代混合。还有更新成果，.引进了多种扩充，包括多层背景模型和动态临界值使用。这样扩充极大地提高了稳定性，但是自我反馈问题依然存在。因此，我们结合种外部线索角特征值来产生出更稳定。此外，我们采用以下方法对公式进行修正将临时中值方法和混合相结合添加光照修正步骤来处理突然临时光照变化而且我们使用了更新公式𝐵𝑡𝐼𝑐𝐵𝑡𝑀𝑡𝐼𝑐−𝛼𝐵𝑡𝛼𝑁𝑡𝑀𝑡,其中表示光照修正函数而是近期图像比如说帧临时中值。注意我们背景更新率是帧图像每秒，帧图像也就相当于到秒。光照修正也被用于每个值中，因为自动光圈也会改变颜色分布色调𝑘𝑅基于背景差值动态特征分组实时目标跟踪加利福尼亚，加州伯克利分校，加州，美国摘要目标检测和跟踪有着宽泛应用领域，其中包括智能交通系统。我们将介绍种将背景差值算法和特征跟踪分组算法相结合目标检测和跟踪算法。首先,我们展示种增大背景差值算法，其使用种低频特征作为线索。它所获得背景差值线索被用来提高特征检测和分组结果。然后，我们将阐述种动态多级特征分组方法，其可以被用于实时应用和提供高轨迹质量。些从富有挑战性交通案例视频剪辑中得出实验性结果将被展示。.介绍和准备工作目标检测和跟踪是计算机视觉中主要研究领域。这些应用领域中，有种叫交通传感分析。因为摄像机比大多数其他传感器安装起来更为廉价和容易，所以它们中许多已被安装于道路周边，特别是在交通路口。由此产生视频图像常被用来评估交通流量，检测车辆行人信号时序，和为了安全而跟踪车辆和行人。数十年来，已有众多车辆和行人检测和跟踪算法被提出，如,还有许多商业系统用以检测车辆如“虚拟循环检测器”和行人。以上系统和许多其他目标跟踪应用大多数是基于背景差值算法。它先从组图像中提取出个静态背景假说，然后计算出背景假说和即时图像区别来找出前景目标。背景差值算法需要时间消耗较小，且在照明情况良好时候显示出强大检测能力。然而，在区分障碍物时仅仅考虑背景差值结果会导致极其复杂问题。而且，这种算法很难处理些问题如突然地光线变化和停止不动车辆。例如，在交通堵塞时，行驶缓慢汽车或十字路口停止汽车都会最终被当做是背景物体。不仅如此，轨迹通常是用目标气泡中心连接确定，而这常常导致形轨迹。另种方法是基于特征跟踪和分组。其通过连接和追踪单独角特征和按轨迹将它们进行分组方法来完成。分组算法适用于对角特征全轨迹进行后处理。由于这种方法采用了组长轨迹，所以它对遮盖物分割比采用背景差值方法更加容易。使用这种算法个挑战是我们有时很难长时间稳定地追踪角特征，特别是当车辆在路口拐弯或是车辆被其他车或行人挡住。此外，保持和处理组较长角轨迹可能会变得十分困难。例如，当辆车在交通路口等待超过分钟时，我们必须保存超过帧角特征轨迹。因此，这些算法无法适用于实时检测和跟踪应用，特别是在交通路口。另个挑战是分组算法总是将起移动邻近车辆分成组或将大车分为两组。这是因为其角特征在有些情况并不是在车辆中平均分布。最后，有种来自基于外表车辆检测方法。和提出种基于模型车辆检测算法该算法做最终被交通模型所采用，其努力生成大量长轨迹。然而，这种方法只能对从特定视角如俯视视角对些特定种类车辆如旅行车和货车有效。而且,对基于模块匹配跟踪并不适用于路口视频,因为在这些视频里是以车辆透视变化为关键。对于基于表面行人检测也有积极研究，例如。然而，许多可靠检测算法需要繁重运算，所以稳定跟踪是个问题。我们所要介绍算法能够有效地将多个对非移动目标进行检测算法或互动检测结果结合起来，以获得高质量结果和减少计算量。我们计划种将背景差值和特征检测分组算法相结合方法。我们算法和之前几种有以下区别通过用特征跟踪结果作为额外线索给出稳定性更好背景差值结果同时，通过用背景差值作为线索给出更好特征检测和分组结果其给出种多级特征分组算法用以处理多种型号目标，以此同时检测旅游大巴和自行车而且它引入了种能够适用于实时应用和从不完整特征跟踪中产生高质量目标轨迹动态特征分组其与之前使用优质长轨迹工作截然相反。在中,种将背景差值和特征跟踪结合起来方法被发现了。.借此通过假设背景差值区域下限即是目标下限方法，用背景差值结果为低角度摄像机估计了角特征三维高度。虽然这样假设通常因遮蔽现象而失败，但通过对多重图像冗余估计我们仍可以从大量富有挑战性高速公路视频剪辑来获得良好结果。然而，些背景差值和特征跟踪分组算法挑战依然存在，例如路口处长角轨迹和照明变法。不仅如此，通过帧帧比较而来生成轨迹并不能实现高质量轨迹。在我们框架体系中，也包括了种高度估计算法，以此来作为个进步提高结果线索。在第部分中，我们介绍了些我们对于背景差值算法做了些扩充。特征分组算法将会在第部分中加以讲解。多种应用结果将会在第部分展示，而总结和前景将会在第部分说明。.背景差值种经典背景差值算法对像素密度采用了卡尔曼滤波器或混合以此来发现背景𝐵𝑡𝐵𝑡∝−𝑀𝑡∝𝑀𝑡𝐷𝑡,此处表示在时刻背景模型，是现在图像和差别，而是二维移动目标假设掩膜。这样方法在前景目标经常出现情况下表现不错，但在背景被物体遮住时这种算法就开始乏力了。另个问题是通常是通过划分临界值和采用形态学算子从产生，这样自我反馈会使得过滤不稳定。例如，个单独检测错误和突然光照变化会导致永久错误或者重影，这些错误甚至可能按定规模成长直到覆盖到整个图像。突然光照变化在许多领域中都时常发生，应为大多数摄像机都有自动光圈。多种多样扩充被使用到了背景差值中，例如，使用临时中值替代混合。还有更新成果，.引进了多种扩充，包括多层背景模型和动态临界值使用。这样扩充极大地提高了稳定性，但是自我反馈问题依然存在。因此，我们结合种外部线索角特征值来产生出更稳定。此外，我们采用以下方法对公式进行修正将临时中值方法和混合相结合添加光照修正步骤来处理突然临时光照变化而且我们使用了更新公式𝐵𝑡𝐼𝑐𝐵𝑡𝑀𝑡𝐼𝑐−𝛼𝐵𝑡𝛼𝑁𝑡𝑀𝑡,其中表示光照修正函数而是近期图像比如说帧临时中值。注意我们背景更新率是帧图像每秒，帧图像也就相当