基于混合高斯模型的运动目标检测算法

第４２卷第１期　２０１５年２月　应　用　科　技　Ｖｏ１．４２　Ｎｏ．１　Ａｐｐｌｉｅｄ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｆｅｂ．２０１５　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００９—６７１Ｘ．２０１４０５００３　网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２３．１１９１．Ｕ．２０１５０１ｌ８．１２５８．００３．ｈｔｍｌ　基于混合高斯模型的运动目标检测算法　赵群　渤海船舶职业学院，辽宁葫芦岛１２５００３　摘要：针对摄像机在静止条件下的自适应运动目标检测，提出一种改进的运动目标检测算法。首先，针对高斯混合背　景建模初期背景建模效果不理想的问题，利用统计的方法得到背景模型，根据背景图像建立高斯混合模型；在模型学习　方面，为均值与方差设置了不同的学习率。针对传统的ＬＢＰ算子的缺陷，提出了一种改进的纹理特征算子，将其与ＨＳＶ　颜色空间去阴影的方法相结合，从而实现对阴影的检测与去除，利用随机Ｈｏｕｇｈ算子对圆的检测原理，在运动目标检测　的基础之上，实现对人头的边缘检测。实验结果表明：该算法可以很好地检测出运动目标，并能够有效去除运动目标包　含的阴影区域，从而实现人头区域的检测。　关键词：目标检测；自适应高斯混合模型；阴影检测；ＬＢＰ算子；纹理特征算子；边缘检测　中图分类号：ＴＮ９１１　文献标志码：Ａ　文章编号：１００９—６７１Ｘ（２０１５）０１—０１９—０５　Ｍｏｖｉｎｇ　ｏｂｊｅｃｔ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　Ｇａｕｓｓｉａｎ　ｍｉｘｔｕｒｅ　ｍｏｄｅｌ　ＺＨＡＯ　Ｑｕｎ　Ｂｏｈａｉ　Ｓｈｉｐｂｕｉｌｄｉｎｇ　Ｖｏｃａｔｉｏｎａｌ　Ｃｏｌｌｅｇｅ，Ｈｕｌｕｄａｏ　１２５００３，Ｃｈｉｎａ　Ａｂｓｔｒａｃｔ：Ｕｎｄｅｒ　ｔｈｅ　ｓｔａｔｉｃ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　ａ　ｃａｍｅｒａ　ｆｏｒ　ａｄａｐｔｉｖｅ　ｍｏｖｉｎｇ　ｔａｒｇｅｔ　ｄｅｔｅｃｔｉｏｎ，ｔｈｉｓ　ｐａｐｅｒ　ｐｕｔｓ　ｆｏｒｗａｒｄ　ａｎ　ｉｍｐｒｏｖｅｄ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｍｏｖｉｎｇ　ｏｂｊｅｃｔ　ｄｅｔｅｃｔｉｏｎ．Ｆｉｒｓｔ　ｏｆ　ａｌｌ，ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈａｔ　ｉｎ　ｔｈｅ　ｅａｒｌｙ　ｓｔａｇｅ　ｏｆ　Ｇａｕｓｓｉａｎ　ｍｉｘｔｕｒｅ　ｂａｃｋｇｒｏｕｎｄ　ｍｏｄｅｌｉｎｇ，ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｍｏｄｅｌｉｎｇ　ｅｆｆｅｃｔ　ｉｓ　ｎｏｔ　ｉｄｅａｌ，ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｍｏｄｅｌ　ｉｓ　ｏｂｔａｉｎｅｄ　ｂｙ　ｓｔａｔｉｓｔｉｃａｌ　ｍｅｔｈｏｄ　ａｔ　ｔｈｅ　ｂｅｇｉｎｎｉｎｇ　ｏｆ　ｔｈｅ　ｖｉｄｅｏ　ｓｅｑｕｅｎｃｅ，ａｎｄ　ｔｈｅｎ　Ｇａｕｓｓｉａｎ　ｍｉｘｔｕｒｅ　ｍｏｄｅｌｓ　ａｒｅ　ｓｅｔ　ｕｐ　ｆｏｒ　ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｉｍ－　ａｇｅ；ｔｈｅｎ，ｉｎ　ａｓｐｅｃｔ　ｏｆ　ｔｈｅ　ｍｏｄｅｌ　ｌｅａｒｎｉｎｇ，ｄｉｆｆｅｒｅｎｔ　ｒａｔｅｓ　ｏｆ　ｌｅａｒｎｉｎｇ　ａｒｅ　ｓｅｔ　ｆｏｒ　ｔｈｅ　ｍｅａｎ　ａｎｄ　ｖａｒｉａｎｃｅ　ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｃｏｎｖｅｒｇｅｎｃｅ　ｒａｔｅ　ｏｆ　ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｍｏｄｅ１．Ｉｎ　ｖｉｅｗ　ｏｆ　ｔｈｅ　ｄｅｆｅｃｔｓ　ｏｆ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ＬＢＰ　ｏｐｅｒａｔｏｒ，ａｎ　ｉｍｐｒｏｖｅｄ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ　ｏｐｅｒａｔｏｒ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｉｓ　ｉｍｐｒｏｖｅｄ　ｏｐｅｒａｔｏｒ　ｉｓ　ｃｏｍｂｉｎｅｄ　ｗｉｔｈ　ｔｈｅ　ｍｅｔｈｏｄ　ｏｆ　ｒｅｍｏｖｉｎｇ　ｓｈａｄｏｗ　ａｒｅａ　ｏｆ　ｔｈｅ　ＨＳＶ　ｃｏｌｏｒ　ｓｐａｃｅ，ｔｈｅｒｅｂｙ　ｔｏ　ｄｅｔｅｃｔ　ａｎｄ　ｇｅｔ　ｒｉｄ　ｏｆ　ｔｈｅ　ｓｈａｄｏｗ，ａｎｄ　ｆｕｒｔｈｅｒ　ｔｏ　ａｃｈｉｅｖｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｅｄｇｅ　ｏｆ　ｈｕｍａｎ　ｈｅａｄ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｐｒｉｎｃｉｐｌｅ　ｏｆ　ｒａｎｄｏｍ　Ｈｏｕｇｈ　ｏｐｅｒａｔｏｒ’Ｓ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｒｉｎｇ．Ｔｈｅ　ｅｘｐｅｒｉ—　ｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｗｅｌｌ　ｄｅｔｅｃｔ　ｍｏｖｉｎｇ　ｔａｒｇｅｔｓ，ａｎｄ　ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｒｅｍｏｖｅ　ｔｈｅ　ｓｈａｄ—　ＯＷ　ｉｎ　ｔｈｅ　ｍｏｖｉｎｇ　ｏｂｊｅｃｔ　ａｎｄ　ｔｈｅｒｅｂｙ　ｔｏ　ａｃｈｉｅｖｅ　ｔｈｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｈｅａｄ　ａｒｅａ．　Ｋｅｙｗｏｒｄｓ：ｔａｒｇｅｔ　ｄｅｔｅｃｔｉｏｎ；ａｄａｐｔｉｖｅ　ｇａｕｓｓｉａｎ　ｍｉｘｔｕｒｅ　ｍｏｄｅｌ；ｓｈａｄｏｗ　ｄｅｔｅｃｔｉｏｎ；ＬＢＰ　ｏｐｅｒａｔｏｒ；ｔｅｘｔｕｒｅ　ｏｐｅｒａｔｏｒ；　ｅｄｇｅ　ｄｅｔｅｃｔｉｏｎ　基于序列图像的运动目标检测是计算机视　觉领域的重要组成部分。　其中，最常用的方法是　利用场景进行背景建模再用背景减除法提取运　动目标，而在实际场景中，背景常常因为光照的　变化或者某些对象的轻微扰动而有所改变，因　此，背景模型的建立和　模型参数的实时更新是背　混合模型法是背景建模的方法中比较成功的一　种。但高斯混合背景模型无法消除阴影的干扰，　通常阴影也被检测为运动目标的一部分，这样将　影响对运动目标的进一步处理和分析。　１　改进的高斯混合模型背景建模　１．１背景模型初始化　景相减法中最重要的　２个问题　。目前，高斯　收稿日期：２０１４－０５—０５．　网络出版日期：２０１５－０１－１８　作者简介：赵群（１９７９一），男，讲师．　通信作者：赵群，Ｅ－ｍａｉｌ：ｚｈａｏｑｕｎ２０ｌ　ｌ＠１６３．℃０ｍ．　ｃ．Ｓｔａｕｆｆｅｒｌ４　最早提出了高斯混合背景模型。设　在ｔ时刻，像素点（　，Ｙ）的概率值为　・２０・　应　用　科　技　第４２卷　Ｐ（Ｉ　（　，　））＝∑Ｗ　×叼（，ｆ（　，），），　，∑　）　式中：Ｋ为高斯混合模型中高斯分布的个数；Ｗ“、　式进行了改进，而且融合了中心像素和邻域像素的　平均值，可以更好地描述纹理特征。公式表示为　ｕ　和∑　分别为ｔ时刻高斯混合模型中第ｉ个高斯　Ａ－ＬＢＰ＝∑２ｉＳ（ｇ　—ｇｃ）＋２ｐＳ（ｇ　一ｇｃ）　旦　。　分布的权重（∑Ｗ　＝１）、均值和协方差矩阵；叼为　式中　高斯分布的概率密度函数。　符号函数为　运用高斯混合模型进行背景建模，在模型建立　初期，很可能会有运动目标的“鬼影”留在背景图像　中。文中在视频初期的Ⅳ帧图像序列中，利用中值　法提取背景图片，并对背景图片的每个像素点进行　高斯混合背景建模，以背景图片中每个像素点的像　素值作为均值，并赋以方差和权重，运用中值法的结　果更新高斯背景模型，从而避免了运动目标被一起　更新到背景里去。　ｓ（　）：』　，　＞７１　【０，“≤Ｔ　其中阈值　的选取可以依据实际场景中背景图像　的情况。　２．２阴影检测　本文选择在ＨＳＶ颜色空间进行阴影检测。　将文献［６］中提到的ＨＳＶ颜色空间阴影检测算　１．２背景模型更新及模型选择　法与Ａ—ＬＢＰ纹理特征阴影检测算法相融合，具体　步骤如下：　１）Ｈ、Ｓ、Ｖ和　、．ｓ　、Ｉ／６分别为当前帧和背景帧　的色调、饱和度和亮度的分量。根据阴影在ＨＳＶ颜　色空间的特征初步检测阴影区域，计算公式如下：　ｒ１，（（　＋ｓ　＋　）＞（Ｈ２＋ｓ　＋　在ｔ时刻，将当前帧像素值，ｆ（　，Ｙ）与该像素点　对应的高斯混合模型的各个高斯模型进行比较，如　式（１）所示：　ｌ，　（　，Ｙ）一Ｍ　一　Ｉ＜２．５（ｒｉ　（１）　采用一种新的自适应学习率，为权重、均值和方差分　别设置不同的学习率，若满足式（１），按式（２）更新　参数：　＝印（　，Ｙ）＝｛【　Ｉ／２））八（Ｉ，＜　＜４Ｖ）　（７）　０，ｅｌ　ｅ　（１一ａ）ｗ　一１＋ａ　（１一Ｐｕ）ｌ￣ｉ，　ｔ一　＋ｐ　，ｌ（　，ｙ）　（２）　２）在初步检测阴影区域后，利用Ａ—ＬＢＰ算子　“　２＝分别提取阴影区域像素块和相应的背景区域像素块　的纹理直方图特征，计算２个直方图特征的卡方距　（１一Ｐｏ）　＋Ｐｏ（　（　，Ｙ）一　ｕ　）　（，　（　，ｙ）一ｌＬｉ，ｔ）　式中：ｐ　＝（　），Ｐｏ＝０．００２。　Ｗｔ　离。如果距离小于设定的阈值，则该点是阴影点，否　则判定为运动点。　反之，Ｉｔ（　，Ｙ）与任一高斯分布都不匹配，那么　把　直方图。　等＜　（８）　均值和方差保持不变，权值按式（３）进行更新：　Ｗ　＝（１一ａ）Ｗ“一ｌ　（３）　式中：ｙ、日分别代表阴影区和相应背景区像素块的　图１是采集的一段室内视频流，ｉｎｔｅｌｌｉｇｅｎｔｒｏｏｍ—　若当前像素　（　，Ｙ）与所有模型均不匹配，则添加　一个新的模型，用它替换　比值中最小的高斯模　ｒａｗ视频，图像分别包括视频流的原始图像，提取出　的运动前景，利用ＨＳＶ颜色空间和ＬＢＰ相结合去　除阴影后的运动目标，以及利用ＨＳＶ颜色空间和　Ａ－ＬＢＰ相结合去除阴影后的运动目标，可以看出本　文提出的Ａ－ＬＢＰ改进算子在特征检测的阴影去除　方面效果更好。　型，设定替换的新模型的均值为　（　，Ｙ），并赋予其　较大的初始方差和较小的权值。　２　阴影去除及运动目标检测　２．１局部二值均值模式（Ａ．ＬＢＰ）　ＬＢＰ作为一种纹理描述算子通常用于度量和提　取图像局部的纹理信息　。ＬＢＰ算子虽然具有很　多优点，但是在某些特定的情况下，会丢失纹理的特　征信息。针对ＬＢＰ的缺点，本文提出一种改进后的　局部二值平均模式，不但将传统算子的编码分类方　（ａ）原始图像　＿　（ｂ）前景区域　第１期　李万臣，等：基于模糊增强的安全带佩戴识别方法　ＵＳ６２３９６９５Ｂ１［Ｐ］．２００１—０５‘０９．　・２７・　带的灰度极为接近，否则驾驶员衣物颜色不会对检　测结果造成影响。但驾驶员衣着或饰物对安全带　的遮挡会造成图像中安全带出现变形、不连续，甚　至断点的情况，从而会造成识别错误，这是影响本　［３］俞学群，武阳丰．机动车安全带作用、使用现状及干预　策略［Ｊ］．中国预防医学杂志，２００８（５）：４４０—４４１．　［４］ＢＥＣＫＥＲ　Ｇ，ＭＯＵＳＥＬ　Ｔ，ＳＣＨＯＣＫＭＥＬ　Ｐ．ＴＯＲ（ｔｏｔａｌ　ＯＣ—　ｃｕｐａｎｔ　ｒｅｃｏｇｎｉｔｉｏｎ）ｓｙｓｔｅｍ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　１７ｔｈ　Ｉｎ—　ｔｅｒｎａｔｉｏｎａｌ　Ｔｅｃｈｎｉｃａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ｔｈｅ　Ｅｎｈａｎｃｅ　Ｓａｆｅｔｙ　ｏｆ　Ｖｅｈｉｃｌｅｓ．Ａｍｓｔｅｒｄａｍ，Ｎｅｔｈｅｒｌａｎｄｓ，２００１：４－１０．　文算法识别准确率的主要原因。　实验结果表明，通过本文算法检测驾驶员是否佩　戴安全带的准确率较高，能够适应不同的驾驶人及不　同的服饰条件。相较于文献［５］的方法，本算法不要　求装备反光性能的安全带，更具有普遍适用性。　［５］葛如海，胡满江，符凯．基于灰度积分投影的安全带佩　戴识别方法［Ｊ］．汽车工程，２０１２，３４（９）：７８７—７９０．　［６］李弼程，彭天强，彭波．智能图像处理技术［Ｍ］．北京：　电子工业出版社，２００４：２４６—２９８．　３　结束语　针对目前安全带佩戴提示系统的不足，采用光　［７］梁晓辉，游志胜．自适应的彩色图像光照补偿新方法研　究［Ｊ］．光电工程，２００６，３３（２）：９４－９７．　［８］ＷＥＲＢＬＩＮ　Ｆ　Ｓ，ＣＯＰＥＮＨＡＧＥＮ　Ｄ　Ｒ．Ｃｏｎｔｒｏｌ　ｏｆ　ｒｅｔｉｎａｌ　ｓｅｎｓｉｔｉｖｉｔｙ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｇｅｎｅｒａｌ　Ｐｈｙｓｉｏｌｏｇｙ，１９７４，６３　（１）：６２—８７．　照补偿和平滑滤波对采集到的图像进行预处理，通　过Ｃａｎｎｙ边缘检测和Ｈｏｕｇｈ直线检测，初步判断是　否有佩戴安全带。对于判断没有佩戴安全带的情　况，则对预处理过的图像进行图像增强，再采用最　大类间方差法进行图像分割得到二值化图，最后进　行直线检测得到安全带佩戴识别结果。由实验可　知，驾驶员衣物对安全带的遮挡及安全带的变形会　造成识别错误，考虑使用颜色模型和带状区域检测　［９］ＣＡＮＮＹ　Ｊ　Ａ．Ｃｏｍｐｕｔａｔｉｏｎａｌ　ａｐｐｒｏａｃｈ　ｔｏ　ｅｄｇｅ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．　ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　ＰＡＭＩ，１９８６，８（６）：６７９—６９８．　［１０］王植，贺赛先．一种基于Ｃａｎｎｙ理论的自适应边缘检测　方法［Ｊ］．中国图象图形学报，２００４，９（８）：９５７．９６２．　［１　１］ＰＡＬ　Ｓ　Ｋ，ＫＩＮＧ　Ｒ　Ａ．Ｉｍａｇｅ　ｅｎｈａｎｃｅｍｅｎｔ　ｕｓｉｎｇ　ｓｍｏｏｔｈｉｎｇ　ｗｉｔｈ　ｆｕｚｚｙ　ｓｅｔｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｓｙｓｔｅｍ，Ｍａｎ　ａｎｄ　Ｃｙ—　ｂｅｒｎｅｔｉｃｓ，１９８１，１１（７）：４９４．５０１．　相结合的方法，进一步提高识别准确率，是未来工　作努力解决的方向。　［１２］王辉，张基宏．图像边界检测的区域对比度模糊增强　算法［Ｊ］．电子学报，２０００，２８（１）：４５－４７．　［１３］李宏，张冬生，林义刚，等．基Ｏｔｓｕ理论的灰度图像分　割算法研究和改进［Ｊ］．科学技术与工程，２０１０，２２　（１０）：５４３７—５４４０．　参考文献：　［１］Ｎａｔｉｏｎａｌ　Ｈｉｇｈｗａｙ　Ｔｒａｆｉｆｃ　Ｓａｆｅｔｙ　Ａｄｍｉｎｉｓｔｒａｔｉｏｎ．Ｆｉｆｔｈ／Ｓｉｘｔｈ　ｒｅｐｏｒｔ　ｔｏ　ｃｏｎｇｒｅｓｓ：ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｏｆ　ｏｃｃｕｐａｎｔ　ｐｒｏｔｅｃｔｉｏｎ　ｓｙｓ—　ｔｅｒｎｓ　ａｎｄ　ｔｈｅｉｒ　ｕｓｅ［Ｒ］．Ｗａｓｈｉｎｇｔｏｎ　ＤＣ：Ｕ．Ｓ．Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ；Ｎａｔｉｏｎａｌ　Ｈｉｇｈｗａｙ　Ｔｒａｆｆｉｃ　Ｓａｆｅｔｙ　Ａｄｍｉｎｉｓ—　ｔｒａｔｉｏｎ，２００１．　［１４］陈志良序列图像中的直线特征提取与匹配［Ｄ］．南　昌：南昌航空大学，２０１１：２７—２９．　［１５］岳健，项学智．一种改进的Ｈｏｕｇｈ圆检测算法［Ｊ］．应　用科技，２００６，３３（６）：７４　７６．　［２］ＯＫＡＤＡ　Ｓｈ＠．Ｓｅａｔ　ｂｅｌｔ　ｗａｒｎｉｎｇ　ｄｅｖｉｃｅ：Ｕｎｉｔｅｄ　Ｓｔａｔｅｓ，　（上接第２１页）　动目标检测［Ｊ］．计算机科学，２０１０，３７（１０）：２５４—２５６．　［７］汤中泽，张春燕，申传家，等．帧差法和Ｍｅａｎ—ｓｈｉｆｔ相结　合的运动目标自动检测与跟踪［Ｊ］．科学技术与工程，　２０１０，２４（８）：５８９５．５８９９．　［２］ＧＥＯＲＧＩＯＳ　Ｓ，ＭＩＣＨＡＩＬ　Ｋ，ＥＶＡＮＧＥＬＯＬＳ　Ｌ，ｅｔ　ａ１．２Ｄ　ａｎｄ　３Ｄ，ｍｏｔｉｏｎ　ｔｒａｃｋｉｎｇ　ｉｎ　ｄｉｇｉｔａｌ　ｖｉｄｅｏ［Ｍ］／／Ｈａｎｄｂｏｏｋ　ｏｆ　Ｉｍａｇｅ　ａｎｄ　Ｖｉｄｅｏ　Ｐｒｏｃｅｓｓｉｎｇ．Ｂｕｒｌｉｎｇｔｏｎ：Ｅｌｓｅｖｉｅｒ　Ａｃａ—　ｄｅｍｉｃ　Ｐｒｅｓｓ，２００８：４９１—５１７．　［８］牛武泽，石林锁，金广智，等．融合时空信息的运动目　标检测算法［Ｊ］．计算机工程，２０１１，３７（１８）：１７１—１７６．　［９］ＴＡＬＵＫＤＥＲ　Ａ，ＧＯＬＤＢＥＲＧ　Ｓ，ＭＡＴＦＨＩＥＳ　Ｌ．ｅｔ　ａ１．Ｒｅａｌ—　ｔｉｍｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｍｏｖｉｎｇ　ｏｂｊｅｃｔｓ　ｉｎ　ａ　ｄｙｎａｍｉｃ　ｓｅｅｎ　ｆｒｏｍ　［３］ＳＯＮＫＡ　Ｍ，ＨＬＡＶＡＣ　Ｖ，ＢＯＹＬＥ　Ｒ．图像处理、图像分析　与机器视觉［Ｍ］．艾海舟，武勃，译．２版．北京：人民邮　电出版社，２００３：５９－７１．　［４］ＳＴＡＵＦＦＥＲ　Ｃ，ＧＲＩＭＳＯＮ　Ｗ　Ｅ　Ｌ．Ａｄａｐｔｉｖｅ　ｂａｃｋｇｒｏｕｎｄ　ｍｏｖｉｎｇ　ｒｏｂｏｔｉｃ　ｖｅｈｉｃｌｅｓ［Ｃ］／／ＩＥＥＥ／ＲＳＪ　Ｉｎｔｅｎａｔｒｉｏｎａｌ　Ｃｏｎ—　ｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｒｏｂｏｔｓ　ａｎｄ　Ｓｙｓｔｅｍｓ．Ｌａｓ　Ｖｅｇａｓ，　ＵＳＡ，２００３：１３０８．１３１３．　ｍｉｘｔｕｒｅ　ｍｏｄｅｌｓ　ｆｏｒ　ｒｅａｌ—ｔｉｍｅ　ｔｒａｃｋｉｎｇ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉ．　ｔｉｏｎ．Ｃａｍｂｒｉｄｇｅ，ＵＫ，１９９９：２４５—２５　１．　［１０］ＫＵＭＡＲ　Ｐ，ＳＥＮＧＵＰＴＡ　Ｋ，ＬＥＥ　Ａ．Ａ　ｃｏｍｐａｒａｔｉｖｅ　ｓｔｕｄｙ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｃｏｌｏｒ　ｓｐａｃｅ　ｆｏｒ　ｆｏｒｅｇｒｏｕｎｄ　ａｎｄ　ｓｈａｄＯＷ　ｄｅｔｅｃｔｉｏｎ　［５］ＯＪＡＬＡ　Ｔ，ＰＩＥＴＩＫＡＩＮＥＮ　Ｍ，ＨＡＲＷＯＯＤ　Ｄ．Ａ　ｃｏｍｐａｒａｔｉｖｅ　ｓｔｕｄｙ　ｏｆ　ｔｅｘｔｕｒｅ　ｍｅａｓｕｒｅｓ　ｗｉｔｈ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｆｅａｔｕｒｅ　ｆｏｒ　ｒｒａｆｉｃ　ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ『Ｊ］．Ｔｈｅ　ＩＥＥＥ　５　Ｉｎｔｅｒｎａｔｉｏｎ—　ａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｓｙｓｔｅｍｓ．Ｓｉｎｇａ－　ｐｏｒｅ，２００２：１００—１０５．　ｄｉｓｔｒｉｂｕｔｉｏｎｓ［Ｊ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，１９９６，２９（１）：５ｌ一５９．　［６］林庆，徐柱，王士同，等．ＨＳＶ自适应混合高斯模型的运