吴亚鹏[1]2008年在《基于双目视觉的运动目标跟踪与叁维测量》文中研究表明应用双目视觉技术对运动目标进行跟踪,并对其深度和运动信息进行测量是当前计算机视觉研究的热点问题,在军用和民用领域内有着广泛而实际的应用。本文基于双目视觉,以获得目标质心的叁维坐标、深度和运动速度为主要目的,研究了运动目标检测与跟踪、双目立体视觉标定、组建双目立体视觉运动目标跟踪与测量实验系统叁方面的内容。在运动目标检测与跟踪方面:重点研究了融合运动目标位置预测的MeanShift算法,并根据Bhattacharyya系数值对目标被遮挡的情况进行了判断;使用本文算法针对目标非匀速运动和发生遮挡的情况进行了计算机仿真实验,在算法运行效率和跟踪稳定性方面获得了预期的效果。在双目立体视觉标定方面:制作了圆靶标定板并提取了靶面特征点的图像坐标,在分析“TSAI”标定算法的基础上分别完成了左右摄像机的标定;阐述了双目视觉下的空间点叁维坐标的提取算法;运用VC++6.0开发了双目立体视觉标定系统,通过测量空间点深度信息和空间物体尺寸大小,验证了系统结果。在组建双目立体视觉运动目标跟踪与测量实验系统方面:采用代价函数对左右视场下的运动目标进行立体匹配;分析了运动目标深度和速度的测量方法;运用VC++6.0将双目立体视觉标定、运动目标检测与跟踪和目标质心提取叁部分内容进行系统的结合,设计了双目立体视觉运动目标跟踪与测量实验系统,使用该系统实现了提取运动目标质心的叁维坐标及其深度和速度的测量。
程娟[2]2008年在《复杂背景下运动目标识别算法研究》文中指出图像序列中的运动目标检测与跟踪是数字图像处理和模式识别以及计算机视觉领域研究的主要内容之一。在机器人导航、安全监控系统、医学图像分析和虚拟现实等领域都有广泛的应用。对于目标跟踪系统,其核心主要包括两个部分:一是运动目标的检测与提取;二是运动目标的跟踪。本文对复杂背景下行人运动目标的检测、提取和跟踪等问题进行了研究。在目标检测问题上,着重对基于复杂背景的检测方法进行了研究分析,讨论了背景的初始化及背景模型的建立和更新的各类方法原理。改善了原有的IIR滤波背景更新算法,提出了一种基于检验假设的背景更新系数获得方法,可以针对不同序列自适应地进行背景更新。实验表明,综合考虑方法的有效性和算法的复杂程度,该方法具有实际可行性;利用该方法进行的目标检测结果可为下面的提取提供较为理想的背景差分结果。在运动目标提取问题上,为了从前景点中将行人目标完整分割提取出来,获得各种用于目标跟踪的特征描述,本文在对差分图像进行阈值分割的基础上,结合形态学滤波及连通性检测方法去除前景噪声及区域内空洞。并在获得完整目标区域后,为后续的目标跟踪建立特征向量。通过实验验证算法可以有效地从差分图像中较为完整提取目标,算法具有较好的实时性。在分析了Camshift算法和Meanshift算法的基础上,通过Bhattacharyya系数来判断运动物体的遮挡情况,进而选择Kalman或者粒子滤波算法对遮挡情况下的运动物体进行跟踪,并给出仿真结果及分析,在一定程度上验证了本文算法,兼顾了Camshift算法在计算量上的优势和粒子滤波算法有效性高的优点。在本文的最后,利用OpenCV库在Windows平台下设计了一个小型的视频运动分析系统,对本文的算法进行演示和分析,验证算法的实时性及有效性。
康彬[3]2016年在《面向智能监控的目标检测、追踪及图像融合算法研究》文中研究表明智能视频监控是将计算机视觉中的相关研究成果引入到传统视频监控中而逐步发展起来一种新型的视频监控技术。该技术可在没有人为干预的情况下自动对图像内容进行理解。当个体或群体行为出现异常状况时能及时报警,使视频监控摆脱了对全天候人工监督的依赖。由于一个完整的智能监控系统通常是在多摄像机协同工作下实现准确运动目标行为检测、跟踪以及分析,因此针对智能视频监控的研究主要包括:图像信息融合、目标检测、目标分类、目标追踪以及对监控场景中目标行为的理解与描述等。本论文主要对智能视频监控中的目标检测、目标追踪以及多源图像融合叁个关键技术进行研究。重点解决上述叁个研究方向所面临的挑战:第一,如何解决运动分割过程中所面临的诸如天气变化、光照变化、背景干扰、运动目标的阴影、摄像机抖动等多方面干扰;第二,如何解决单目标或多目标追踪过程中目标之间相互遮挡或人体自身被外界物体严重遮挡的问题;第叁,如何快速实现多源图像信息融合。本论文的创新工作为:⑴传统的目标检测方法为背景减除法,这类算法通常利用大量的训练样本进行图像背景建模,这将使检测算法具有很高的复杂度。针对传统背景减除法的不足,本文提出一个基于压缩感知的目标检测算法,所提出算法可在不需要任何样本训练的情况下直接利用压缩观测数据实现具有鲁棒性的运动目标检测。算法实现压缩域目标检测的步骤为:首先利用叁维循环采样方法对视频序列进行压缩采样,获得视频压缩观测值矩阵;其次,提出一个压缩感知结合低秩矩阵分解的目标检测优化模型,该模型可利用压缩观测值矩阵实现视频前景,背景以及视频序列的同时重构;最后,利用优化模型同时重构的视频序列在线估计一个置信矩阵,该矩阵可对目标检测模型中的前景重构结果进行修正,以增强前景重构结果的鲁棒性。经实验验证,通过上述叁个步骤所实现的目标检测结果对运动物体干扰(树叶或水滴扰动)以及光照变化具有较强鲁棒性。⑵在现实视频监控过程中,目标检测难于实现的原因在于它所受到的干扰除了运动物体干扰以及光照变化之外,还经常会遭受噪声干扰以及摄像机抖动的影响。为了进一步提升压缩域目标检测算法的鲁棒性,本文提出另一个基于压缩感知的目标检测算法。新提出的目标检测算法利用一个压缩感知结合图割理论的检测优化模型实现二值化视频前景支撑集以及视频序列的联合重构。因为图割理论对于噪声干扰具有较强鲁棒性,所以与第一个目标检测优化模型不同,新提出的优化模型不需要额外前景修正步骤便能有效抑制摄像机抖动以及噪声干扰。除此之外,它还能准确检测出非周期运动物体的运动趋势。⑶目前在已提出的各类目标追踪算法中,基于稀疏表示的追踪算法在目标跟踪研究中受到越来越多的重视。这类算法在研究过程中所面临的最大问题之一是如何有在保证算法鲁棒性的前提下有效降低运动目标状态估计的复杂度。为了解决这一问题,本文提出了一个基于联合稀疏表示的目标追踪算法。所提出的目标追踪算法通过计算压缩观测值矩阵的联合稀疏表示来实现运动目标追踪。为了有效保证目标追踪算法在复杂监控场景中的追踪精度,所提出的联合稀疏表示模型中引入了一个非局部正则化算子,该算子可通过探究稀疏表示系数之间的局部以及非局部相似性来增强稀疏表示模型的鲁棒性。通过大量实验可以验证本文所提出的目标追踪算法在追踪精度以及追踪速度方面都优于目前主流的目标追踪算法。⑷当视频监控场景中运动目标被长时间遮挡时(例如大雾弥漫),这使得基于单一摄像机的运动目标检测、追踪异常困难。使用可见光摄像机以及红外摄像机的协同目标监控系统可有效解决此类问题。如何快速实现多源图像信息融合是此联合视频监控系统设计的核心。本文提出了一个基于压缩感知的图像融合框架,所提出的框架具有叁个优点:第一,该框架是以图像块为基本单位实现压缩域图像融合处理,这样可节省大量存储空间,提高图像的传输以及融合效率。第二,融合框架加入了双通道PCNN模型,该模型的引入可为压缩域图像信息融合提供大量的原始图像结构信息,为原始图像观测向量因数据压缩所造成的细节信息损失提供一个可靠的补充。第叁,融合框架选用的图像重构SAML算法具有快速收敛特性,它能有效保证图像融合在噪声干扰情况下的鲁棒性。通过实验验证可以说明本文所提出的图像融合框架能凸显出运动目标的细节信息,为目标检测以及追踪提供可靠的目标特征信息。
陈锋强[4]2008年在《复杂场景下运动物体检测与跟踪算法的研究》文中研究说明智能监控就是要用图像处理和计算机视觉的方法,通过对监控录像进行自动或实时分析来对动态场景中的目标进行定位,识别和跟踪,并在此基础上分析和判断目标的行为。因此对作为智能监控技术核心的运动目标检测和跟踪技术的研究显得尤为重要,虽然很多国内外学者对运动目标检测与跟踪技术已经作了大量的研究,但是以前的绝大部分研究只停留在对简单的背景相对静止的场景中的运动目标的监测与跟踪。近些年来,随着智能监控系统在实际中的广泛应用,复杂场景中的运动目标检测与跟踪技术越来越引起人们的注意,并得到了快速发展。本文主要研究了运动目标检测与跟踪的基本理论和关键技术。重点研究了复杂背景下运动目标的检测与提取,特别是动态场景中的运动目标的检测问题,实现了基于自适应背景模型的运动检测算法,并在此基础上提出了一种基于非参数核密度函数估计的背景建模算法,该算法在考虑了传统运动目标检测算法中像素灰度值的时域相关性的同时,还充分考虑了同一帧图像中个像素点灰度值的空间相关性,并且在不仅对背景建模而且对前景同样建模,另外利用非参数模型估计密度函数,克服了单高斯和混合高斯不能充分拟合密度函数的缺点,得到能充分反应实际背景且光滑的模型。从而很好的解决了在场景中有类似摄像机抖动,树枝摇曳,波纹等周期性运动以及雨雪天气等情况的运动目标检测的问题。实验结果表明,该算法检测效果好、运算快速、稳定。此外,本文还研究了运动目标跟踪的关键技术,重点研究了基于Kalman滤波的运动目标跟踪问题,给出一种基于Kalman滤波的运动目标跟踪算法,通过目标检测、目标运动估计和目标匹配与跟踪叁个模块实现运动目标的跟踪。利用基于非参数密度估计的背景模型法检测得到运动目标,描述目标的形状特征(如运动目标的位置,目标外接矩形的大小等);利用Kalman滤波器预测被跟踪运动目标在下一帧中可能处于的位置,确定目标搜索范围;然后经过目标匹配模块寻找运动目标在图象序列各帧中的对应关系,确定目标的运动轨迹。
孔繁奇[5]2007年在《基于视频图像的车辆检测跟踪技术的分析研究》文中进行了进一步梳理实时交通检测与信息采集己经成为智能交通系统中的一项重要课题，而运动车辆的实时检测与跟踪分类则是其中的核心的部分。近年来，基于视频图像的车辆检测跟踪技术已成为研究的重点和热点。本文对此问题进行了研究，针对车辆的检测、阴影去除、车辆识别与跟踪、车辆分类统计等方面进行了分析与部分改进，初步设计实现了一基于交通图像序列的检测、跟踪与分类统计的车辆智能实时监测系统，并通过实验证明了系统的有效性和实时性。主要研究包括以下几个方面：(1)运动车辆的检测。分析了目前对运动目标检测中背景重建和背景更新的一些技术和方法，给出了一种基于改进的自适应背景方法的背景模型，能实时提取干净的背景帧，有效地实现了背景的实时更新。(2)运动车辆阴影的去除。针对阴影对车辆跟踪和分类带来的不利影响，研究了阴影灰度值分布的特点，利用阴影和背景区域的光度增益特点有效的消除了车辆的阴影。(3)运动车辆的跟踪。针对跟踪车辆所需计算量大、车辆汇聚和分离时跟踪丢失等问题，本文利用车辆跟踪的特点，采用找寻以两帧目标车辆的重迭区域面积为权值的最大权值图的区域跟踪的方法在图像中进行匹配，有效的解决了车辆汇聚和分离时的跟踪问题，实现了运动车辆的实时跟踪。(4)初步设计并实现了一个视频车辆监测系统。系统在．NET坏境利用C#设计实现，该系统主要实现了车辆检测及实时跟踪和运动车辆分类统计。实验结果表明该系统对车辆能够实时有效地获得跟踪结果和分类统计，具有较强的适应性和一定的实用价值。
张方方[6]2008年在《基于视频的平面交叉口机动车交通冲突检测技术研究》文中研究说明道路交通安全形势的严峻性引起人们对道路安全问题的关注和思考,道路安全评价和事故致因分析成为道路安全研究领域一个十分重要的内容。由于能弥补传统的基于事故统计资料的道路安全评价方法的不足,一种新的基于非事故的道路安全评价技术——交通冲突技术(TCT)迅速兴起并表现出明显的优势。然而,交通冲突技术在进一步的发展和应用过程中遇到了障碍,受到现有数据采集方式的严重制约,其本身所具有的优势难以有效发挥,导致近几年来的发展一直停滞不前。因此迫切需要产生一种新的便捷、准确、高效的交通冲突数据采集方式,以推动道路安全研究的进一步展开和深化。飞速发展的计算机视觉和图像处理技术使得基于视频的交通冲突检测技术称为可能。本文以平面交叉口机动车与机动车之间的交通冲突作为研究对象,试图利用视频检测技术识别出交通冲突现象,取代以往费时、费力、精度不高、普适性差的人工观测方式。具体实现过程是在深刻了解与把握国内外关于交通冲突定义、分类、判断指标及界定标准等理论基础知识之上,以VC++6.0作为基础开发平台,结合Halcon、OpenCV等图像处理软件,采用相关图像处理算法实现运动目标的提取与跟踪,提取相关的微观交通参数,并根据相关参数进行交通冲突的综合判定与分析。具体主要包括以下叁个方面:1、系统总结有关交通冲突定义、分类、测量方法、判断指标及标准等理论基础知识,建立相应的冲突多参数综合判断方法,指出将制动减速度作为冲突判断指标之一的科学性和必要性,为后续交通冲突的视频检测提供理论支持;2、以VC++6.0作为基础开发平台,结合Halcon、OpenCV等图像处理软件,采用基于背景减法的目标检测与基于区域的目标跟踪方法实现交通视频图像的车辆提取与跟踪,建立实时数据采集方案,并由此计算出车辆的微观交通参数——运动轨迹、速度和加速度;3、在对采集到的微观交通参数进行数据处理与分析的基础之上,对车辆的运行特征做出分析,并以已有的交通冲突技术理论为指导,判断交通冲突发生的可能性。最后本文对进一步的工作方向进行了简单总结。
鱼亚锋[7]2008年在《运动目标检测和智能视频监控系统设计》文中认为随着计算机视觉处理技术、电子技术、通信技术的飞速发展,智能视频监控系统作为安全防卫的一种重要手段正越来越受到人们的重视。论文通过重点研究智能监控系统中的目标检测算法,在总结和分析的基础上提出一种可靠有效的背景建模及更新机制,最后应用该算法设计并实现一个完整的智能视频监控系统框架。运动目标检测作为智能视频监控系统中视频处理的第一步,也是技术的热点和难点。运动目标检测是对摄像机得到的图像序列进行视觉上的分析处理,其主要的目的是实时地观测被监视场景的运动目标,并分析描述它们的行为。运动检测可以分为静止背景下的运动检测和运动背景下的运动检测。本文主要研究静止背景下的运动目标检测技术,提出一种新的背景建模及更新机制。论文的工作主要由叁部分组成:算法研究、新目标检测算法的提出及测试和智能监控系统的设计及实现。算法研究首先针对目标检测算法的实现机制:光流法、背景差除法、帧间差分法、熵检测法进行研究分析,比较其优缺点、适用环境、存在问题以及相应的对应策略。其次,侧重研究背景差除法的背景建模及更新方式,从速度、存储需求及准确性叁方面来比较运动高斯平均、时间均值滤波、混合高斯、核密度估值、连续核密度近似、图像同现变更法、特征提取七种算法的不同特点。最后针对背景差除法在处理光照变化,背景多目标,画面抖动等存在的问题,提出了适用于摄像机固定、基于背景差除技术的运动目标检测方法,能够提取出背景模型,并能有效地处理外界光照条件变化、场景变化、背景扰动等因素带来的影响。算法测试表明,该算法快速、准确、有着广泛的适应性。运用论文提出的新的背景及更新算法,设计并实现了智能视频监控系统框架,可以实现准确的运动目标检测,同时可以对人脸进行定位及数目统计。目标检测作为视觉分析的最底层,是实现其它高级处理的基础,人脸定位、数目统计正是其应用的一个重要体现。
李敏[8]2008年在《视频监控系统中运动目标检测方法研究》文中认为视频监控系统运动目标检测融合了图像处理、模式识别、人工智能以及计算机科学等许多领域的先进技术,已经成为计算机视觉研究的重要领域。本文主要研究在静止背景下运动目标的检测与提取,在前人工作的基础上对运动目标检测各种算法进行分类研究,分析比较各算法的优缺点,并在此基础上增强对算法的理解以及提出改进。本文总结了当前视频图像分割技术的基本原理,给出了运动目标检测与分割的理论模型。在介绍了叁种传统的运动目标检测算法的基本原理的基础上,提出了一个改进的将背景差分法和帧间差分法相结合的算法,该算法使用帧间差分累积图像,结合前帧的检测效果,在当前帧的前后位置分别粗定位运动目标并更新背景,然后利用背景信息检测出运动目标,实验结果表明该方法既有背景差分法完整检测运动目标的优点,又具有帧间差分法在光线变化情况下的鲁棒性;本文通过研究背景图像的统计特性,给出了一种自适应的背景模型估计法,该方法有效地吸取了Stauffer等提出的自适应混合高斯背景模型基础思想,为每个像素构建高斯背景模型,并在此基础上做了一些改进,即分别对均值μ和方差δ~2采用不同的更新率α,β进行更新,经实验验证,该方法提高了检测灵敏度并降低了模型的适应程度;最后本文提出一种融入帧间差分法的背景模型估计方法,该方法用帧间差分法作为进行高斯背景模型估计的指导,实验表明该方法能有效地分割出图像序列中的前景目标,而且也明显地减少了前景目标对背景模型的影响。
汪泉[9]2007年在《基于运动目标检测与跟踪的视频测速技术的研究与应用》文中研究说明随着计算机硬件技术和计算机视觉技术的发展，基于实时图像处理的交通监控系统成为当下的发展趋势，而视频车辆的检测与跟踪是智能交通系统的核心部分。本文研究的是利用图像处理技术对高速公路上的车辆进行实时监控，采用基于运动车辆检测和跟踪的方法来对车辆进行测速，为智能交通系统提供交通参数。本文对摄像机标定方法做了研究，并采用一种标定方法，并提出通过检测车道线中的一些点来完成坐标输入。本文提出了针对运动车辆进行实时检测和跟踪的算法，适用于大面积、多目标的复杂场景，能排除干扰，主要应用于高速公路上。本文提出了在车辆检测之前先做行车区域检测，通过行车区域检测排除行车区域外的干扰。然后通过实验数据对于目前几种有代表性的背景模型进行了比较，找出其中的优缺点，结合这些方法进行改进后，提出了基于亮度与亮度梯度信息的混合高斯模型。该背景模型较好的解决了背景模型的初始化、更新、背景干扰、外界光照等问题，在背景、前景的判断上，充分利用了亮度与亮度梯度信息。使得系统的背景模型既能够满足背景随时间渐变的统计特性，又能够兼顾系统的噪声以及一些突发的干扰因素。在背景差方法上提出了基于叁层结构的背景差算法，从叁个层次来保证车辆检测的准确性。在运动目标跟踪方面，本文使用了基于扩展卡尔曼滤波器的目标跟踪，并对滤波器的构造、更新做了改进，然后提出了叁种匹配原则，综合预测和搜索匹配，并考虑遮挡问题提出了一个完整的跟踪算法。最终根据跟踪的结果可以计算出车辆的速度。本文最后还提出了视频测速系统的设计方案。总之，本文对视频测速目标检测和跟踪问题进行了深入的分析和研究，提出了自己的方法去解决这些问题，并且对多个方法作了实验，实验结果表明，本文提出的方法能够满足实际系统的的要求。
李成龙[10]2016年在《基于低秩和稀疏表示模型的视频目标提取和跟踪研究》文中研究指明视频目标的提取与跟踪是计算机视觉领域的基本问题,也是智能视频监控系统的关键与核心技术。目前,尽管这方面的研究取得了令人瞩目的进展,但是,由于数据、场景、环境的复杂性,视频目标的提取与跟踪仍是挑战性极大的研究课题。本文围绕上述复杂因素,从低秩和稀疏表示模型的角度出发,对视频目标的提取和跟踪问题展开讨论,分别研究了基于正则化低秩表示模型的视频目标分割、基于加权低秩分解的多模态运动目标检测、基于图像块表达和动态图学习的目标跟踪以及基于协同稀疏表示模型的多模态目标跟踪。在视频目标提取方面,针对视频数据中类内差异性和类间相似性较大,以及视频噪声的存在,提出一种基于正则化低秩表示模型的视频目标分割框架。以超体素为图结点,使用低秩表示模型优化它们之间的相似性关系,可以有效地克服稀疏大噪声和稠密高斯噪声的干扰。为了提高超体素之间的判别性,在稀疏表示模型中引入判别性重复先验对稀疏表示系数矩阵进行正则化,即正则化稀疏表示模型。由于视频数据一般是非常庞大的,因此,提出一种基于次优低秩分解的优化算法高效地求解提出的模型,并在理论上保证了其收敛性。同时,提出流处理方法,使得分割方法能够在有限的计算和存储资源中处理无限长的视频。为了验证有效性,本文分别把优化的超体素的相似性关系应用于无监督的和交互式的视频目标分割任务,均取得了较优的性能。针对场景和环境的复杂性,本文提出了一种基于加权低秩分解的多模态运动目标检测的通用框架。由于可见光谱信息受复杂场景、光照和雾霾等因素的干扰较大,因此,引入热红外光谱信息对其进行补充。具体地,通过为每个模态引入一个质量权重,把不同模态的具有低秩结构的背景数据、多模态共享的稀疏前景模板以及前景、背景像素点的连续性约束进行联合建模,使得能够自适应地融合多模态数据,进而鲁棒地检测运动目标。为了进一步地改善算法检测效率并保持精度,提出一种有效的基于保边滤波的加速算法,使得算法效率达到近实时。此外,构建了一个包括25个视频对的多模态运动目标检测平台,弥补了该领域缺乏标准评价体系的不足,促进相关领域的研究发展。在目标跟踪方面,为了解决基于检测的跟踪框架中的模型漂移问题,本文提出了一种基于图像块的动态图学习方法,消弱目标表达中的背景干扰。首先,把跟踪矩形框划分成不重迭的小图像块,并为每个图像块分配一个权重,用来表示图像块对于目标的重要性。由于传统的8-邻域图忽略了图的全局结构以及局部线性关系,因此,以图像块为图结点,利用它们之间的全局低秩结构、稀疏局部线性关系以及边权的非负性动态地学习图的结构,同时,以半监督的方式联合地优化图像块的权重向量。其次,为了提高跟踪方法的时效性,提出一个实时的优化算法求解提出的模型。最后,把优化的权重向量嵌入到目标跟踪和模型更新中,极大地提高跟踪性能。为了克服场景和环境复杂性带来的挑战,本文在贝叶斯滤波框架下提出了一种基于协同稀疏表示模型的多模态目标跟踪方法。传统的多模态目标跟踪方法把每个模态平等地对待,如果某个模态的信息有非常大的歧义性,则会对最终的跟踪结果造成影响。因此,本文自适应地融合不同的模态,即在稀疏表示模型中为每个模态引入一个质量权重,以此实现稳健地跟踪。特别地,每个模态的权重由该模态的重构误差以及目标与背景的判别性来确定的,并和稀疏表示系数一起联合优化。此外,由于该问题缺少标准的评测平台,因此,构建了一个标准的多模态目标检测平台,包含50个配准的视频对、22个基准方法和2种度量方式。该平台为该问题及相关领域提供了一个标准的评价体系,有助于这方面的研究。
参考文献：
[1]. 基于双目视觉的运动目标跟踪与叁维测量[D]. 吴亚鹏. 西北大学. 2008
[2]. 复杂背景下运动目标识别算法研究[D]. 程娟. 武汉理工大学. 2008
[3]. 面向智能监控的目标检测、追踪及图像融合算法研究[D]. 康彬. 南京邮电大学. 2016
[4]. 复杂场景下运动物体检测与跟踪算法的研究[D]. 陈锋强. 上海交通大学. 2008
[5]. 基于视频图像的车辆检测跟踪技术的分析研究[D]. 孔繁奇. 大连理工大学. 2007
[6]. 基于视频的平面交叉口机动车交通冲突检测技术研究[D]. 张方方. 同济大学. 2008
[7]. 运动目标检测和智能视频监控系统设计[D]. 鱼亚锋. 北京邮电大学. 2008
[8]. 视频监控系统中运动目标检测方法研究[D]. 李敏. 西北大学. 2008
[9]. 基于运动目标检测与跟踪的视频测速技术的研究与应用[D]. 汪泉. 南昌大学. 2007
[10]. 基于低秩和稀疏表示模型的视频目标提取和跟踪研究[D]. 李成龙. 安徽大学. 2016