- 1 -
中国科技论文在线
基于虚拟线框的车流量检测算法
刘腾飞，黄樟灿**
作者简介：刘腾飞，（1988-），男，研究生，图像处理与模式识别。
通信联系人：黄樟灿，（1960-），男，武汉理工大学数学系教授，博士生导师，研究方向：智能计算、图
像处理。
（武汉理工大学理学院，武汉 430070）
摘要：提出一种基于虚拟线框车流量统计的算法，通过分割虚拟线框，并对分割后虚拟线框5
内目标连通域的跟踪和匹配来检测目标车辆遮挡等问题。在为了解决目标车辆差分二值化后
出现的连通域空洞、远端大型车体连通域分裂等情况，采用一系列形态学算法针对虚拟线框
内差分二值化连通域进行处理，为了提高车流量统计算法精度，提出用近端虚拟线框内车辆
通行情况来对远端线框内统计数进行误差修正。
关键词：虚拟线框；车流量；检测；连通域 10
中图分类号：U495
Based on virtual wireframe traffic detection algorithm
Liu Tengfei, Huang Zhangcan
(Wuhan university of technology, college of science, WuHan 430070) 15
Abstract: Present a traffic statistical algorithm based on virtual line box, and after the split virtual
line box target connected domain tracking and matching to detect the target vehicle occlusion. The
connected domain in order to solve the target vehicle differential binarized hollow, distal large
body connected domain splitting, this article uses a series of morphological algorithm processing
for virtual line box differential binarization connected domain, in order to improve the accuracy of 20
the traffic flow statistics algorithm proposed proximal virtual line box vehicle traffic to the remote
line box statistical error correction.
Keywords: virtual wireframe; traffic flow; detect; connected domain
0 引言 25
在上个世纪六十年代，世界经济处于高速发展阶段。随着计算机在硬件方面不断加强，
以及通信传输、监控等技术的日益成熟，使得计算机软件行业有了良好的发展环境。交通管
理系统也在这样的环境下向着智能监控方向发展。在这样环境下，方便智能的交通管理系统
对经济快速发展也有一定的促进作用。但是，近些年，无论是在发达国家还是发展中国家的
大中小城市，随着社会的发展和家用小汽车作为日常出行主要交通工具的普及，道路拥挤、30
车道资源分配不合理、违规驾驶导致的交通事故等一系列问题也频繁出现。
随着近年来私家车数量的急剧增加，使得道路使用压力过大，特别是城市道路长期处于
拥堵状态，无法满足人们生活水平的提高。大城市道路承载能力远远不能跟上经济的快速发
展，再加之大量人员集中迁往城市，使得本来土地资源紧缺的城市在道路规划方面的建设更
加缓慢。在西方发达国家的工业进程中，最开始提出的是通过扩大城市占地面积，加大道路35
建设的力度来缓解紧张的道路危机。但是随着土地资源日益紧张，当城市占地扩无可扩时，
人们发现最初的解决办法行不通了。同时，交通领域中，民用车辆技术的快速发展使其成本
缩小也是导致道路资源危机的一大原因。这些交通领域问题的出现使得发达国家开始着手研
究智能交通系统。从而，用计算机产业技术去改造原本走向末路的交通系统，合理规划
道路占用率，提高交通道路监管，是未来交通领域前进的方向。在这样的情况下，交通管理40
系统的发展朝向智能化方向。
- 2 -
中国科技论文在线
在解决道路交通问题的方案中，智能化交通管理系统是世界各国公认的最佳解决方案，
也其研究方向。而对于道路监控视频的车流量统计又是智能交通管理系统中较为重要的环
节，准确的车流量统计信息能有效的分析出车流量特点，从而提高和分配道路的占有率，也
为智能交通系统的其他性能提供关键的实验数据支持。本文对视频监控的车流量统计算法进45
行了相关研究[1]。
1 图像形态学处理
在图像中，用数学形态学来提取一些我们感兴趣的目标区域形状的图像分量，比如目标
边缘、框架等。这其中还包括形态学过滤、细化、修剪等。在一幅二值图像中，图像中的所
有像素点组成的集合是二维整数空间（ 2Z ）的元素，在这个二维整数空间中，所有的元素50
都是一个二维向量，这些二维向量的坐标表示各像素点在图像中的坐标 ( , )x y [2]。
由于背景提取和更新过程中都产生大量的噪声，然后再进行背景差分等一些列操作都会
产生噪声，往往最后差分得到的目标前景与实际目标差距较大，这就需要我们对所得的粗前
景进行形态学处理。这其中需要运用四种形态学处理的算法，它们是膨胀、腐蚀以及开运算
和闭运算，而这四种算法中的膨胀与腐蚀是形态学的基础算法，后面的开、闭运算也是由这55
两个基础算法叠加运行而来的。通过膨胀与腐蚀可以实现很多功能，比如消除噪声，分割独
立的图像元素，以及切割开图像中相连的像素。形态学处理还可以用来查找图像的极大、极
小值区域，求出图像的梯度等。
膨胀与腐蚀
膨胀是指将图像（也可以是图像 Z 中某个区域，记为 A）与膨胀核（记为 B）进行卷积60
的操作。这里的膨胀核可以是任意形状，一般需要其大小大于一个像素且小于整幅图像。大
多数情况下，膨胀核是一个中心有参考点的实心正方形（视实际情况而定）。可以将其视为
一个掩模，去求图像的局部最大值的操作。用数学的方法可表示为：
{ | ( ) }zA B z B A
∧⊕ = ≠ ∅I （1-1）
式（1-1）是以预定义的膨胀核 B 对应其中心点的映像为基础，并且由 z 对映像进行位65
移。用膨胀核 B 对 A 进行膨胀是所有 z 的集合，所以B
∧
与 A 之间至少有一个像素点是重合
的。所以式（1-1）的另一种表达形式为：
{ | [( ) ] }zA B z B A A
∧⊕ = ⊆I （1-2）
膨胀的作用是让目标图像中的目标区域的边界向着目标外部按照膨胀核 B 的大小进行
扩大。多数情况下，膨胀的目的都是对从背景中提取出来有空洞的目标前景进行填充，是同70
一个目标不至于出现断裂乃至划分为了多个目标的情况[3]。
腐蚀是膨胀的反操作。腐蚀运算是要计算腐蚀核映像内像素的最小值。腐蚀是通过如下
的算法从新生成腐蚀后的图像：用腐蚀核 B 对图像 A 进行卷积，计算腐蚀核 B 映像区域中
图像 A 的最小值，并把这个找到的最小值赋给映像区域中心参考点对应的图像 A 的像素点。
在数学上用 A BΘ 表示用腐蚀核 B 去腐蚀图像 A ，其表达式如下： 75
{ | ( ) }zA B z B AΘ = ⊆ （1-3）
式（1-3）也可解释为用腐蚀核 B 对图像 A 进行腐蚀时，是将腐蚀核 B 中包含于图像 A
中的点 z 的集合用 z 平移。腐蚀算法的主要作用在于：它可以使目标前景突出部分的边缘得
- 3 -
中国科技论文在线
到修剪，可对像素面积小于腐蚀核 B 的噪声直接消除，既一定的去除噪声的能力，可以分
割粘连不是很严重的目标前景。 80
开运算和闭运算
开闭运算简单来说就是膨胀与腐蚀组合在一起的操作。在开运算的情况下，是将目标图
像先进行腐蚀后进行膨胀。开运算一般是通过消除细小的突出边界来使得目标的外围轮廓变
得更加光滑，并且切断细小的连接，所以开运算通常情况也可以用来统计二值图像中的连通
域个数。闭运算是先对目标图像进行膨胀后进行腐蚀。它是通过填充目标前景之间细小的间85
隔和填充目标前景内部存在的细小孔洞来使得目标轮廓顺滑，所以在大多数连通域区域分析
算法中，使用闭运算来去除噪声引起的区域。在连通域分析中，首先采用腐蚀或闭运算来去
除噪声引起的区域，之后再用开运算来连接相邻的目标。在本质上，开运算和闭运算相对于
膨胀和腐蚀能更加精确的保存原灰度图的连接区域[4]。
在数学上用 A Bo 表示开运算，用 A B• 表示闭运算，以下是开闭运算的数学表达式： 90
( )A B A B B= Θ ⊕o
( )A B A B B• = ⊕ Θ （1-4）
如图 1 中所示：
(a)背景差分二值化 （b）开闭运算效果 95
（a）Binarization after background difference (b) Open&close operation effect
图 1 原二值化图和开闭运算后的效果
Fig 1 binarization figure and effect after opening or closing operation
a 图是原二值化后的图像，b 图是先用 3*3 模板腐蚀，到达去除散点噪声的目的，之后100
再用 15*17 的矩形模板进行膨胀，目的是使目标车辆内部没有空洞，最后再对目标前景用
5*5 的模板进行闭运算得出的结果。从效果上看，由于原二值图中的目标前景效果不是特别
好，需要我们做形态学上的处理，由于我们所用的核（也就是模板）都是矩形的，导致处理
后图中的目标前景菱角分明，虽然和实际车辆外形相差较远，但是其效果对我们之后的虚拟
线框检测有十分重要的意义。 105
2 虚拟线框车流量统计算法
虚拟线框（一般称为虚拟线圈）是指在不同的目标场景中，人为预先定义的一系列虚拟
区域，可根据需要检测的目标前景的形状、大小等先验条件来给定线框大小及形状。该虚拟
区域正如其名一样，在实际场景中不需要标出，即使在监控视频上也不用标明，只是表明对
- 4 -
中国科技论文在线
该预先定义的一系列虚拟区域进行其特有的算法运算。在物理上，虚拟线框的出现是为了替110
代物理检测线圈。物理线圈是按放在目标场景中，通过过往目标对其产生的压力、磁感应等
方式来判断目标物体的信息。虚拟线框算法是在连续视频帧中设置固定的一系列线框，当目
标前景通过线框时执行其算法，判断目标前景的特性。因此，虚拟线框在车流量检测领域对
于物理线圈有其明显的优势，节约成本[5]。
在目标车辆通过线框时，会短暂的覆盖原本线框内的像素，我们可通过判断线框区域内115
连通域个数来粗略的确定通行车辆的数量，当然，这其中还涉及覆盖的连通域是否为目标车
辆的判定等，都需要视实际场景的不同情况而定。虚拟线框检测算法不但能有效的检测车辆
个数，而且其运算简单，算法复杂度较低，很适合做实时检测。虽然虚拟线框检测在城市复
杂路段（比如十字路口，人行道较多等）效果不是很好，毕竟复杂路段目标场景中运动目标
较多，相对的计算量也较大，加之行人等不确定因素使得算法实施困难，但是在像高速公路120
这样车流速度较快，车道宽直而且行人干扰较少的场景中，线框检测算法有其明显的优势[6]。
如图 2 所示：
(a)原灰度图 （b）二值化图
（a）Original grayscale (b) Binarization figure 125
图 2 检测算法中右边车道近端和远端虚拟线框
Fig 2 Detection algorithm in the right lane proximal and distal virtual wireframe
我们在高速公路右边车道选取的一远一近两个矩形区域（由于近端的矩形区域三边是贴
着图像边缘，所以在图像上只能看到一边），这两个矩形区域是作为虚拟线框的检测区域，130
两个线框宽度都是 7 个像素，近端线框的长贯穿整个图像，远端相框长是 3/8 个图像宽，这
样选取的目的是使得右边通行的车辆能完全包含在这两个线框中，而左车道车辆不会出现。
当前帧虚拟线框内有目标车辆进入时，首先判断该虚拟线框内的连通域是否是目标车
辆，因为虚拟线框内的连通域有如下几种情况不是目标车辆生成的：
1. 二值化后，在单独帧中产生的噪声进行形态学处理后，有可能膨胀为一个小型连通域。 135
2. 由于形态学处理中为了减少大型车辆车体内部空洞，而选择了较大的膨胀核，导致处理
后的车体比之实际车辆较大，从而使得相对车道上的靠内行驶的车辆可能有部分进过本
车道上的虚拟线框，从而形成错误的非目标车辆的连通域。
3. 因为摄像头可能存在不定时的晃动或者二值化等前期工作遗留问题，可能使得目标车辆
在当前帧还在虚拟线框外，没有进入，而下一帧（因为实时监测的需要，我们是间隔一140
定帧数后取一帧）的时候已经进过虚拟线框了，从而是虚拟线框内出现“闪现”连通域
的情况。
针对前面两种情况，无论是噪声引起的假连通域，还是相对车道过膨胀引起的，其出现
- 5 -
中国科技论文在线
在虚拟线框内的大小相对于目标车辆来说要小很多，所以我们只需要根据线框大小和目标车
辆大小来确定一个阈值，对连通域的面积进行阈值比较，小于阈值的不计为目标车辆，大于145
阈值的记为目标车辆（实验结果远端线框的阈值大小设为 35）[7]。由于我们只对单向车道统
计车流量，所以根据实际情况，相对车道车辆连通域不会出现在近端线框中，只针对噪声引
起的小连通域选择阈值（实验大小为 15）。
假设目标车辆在当前帧处在虚拟线框外面，还没有进入线框范围，则该目标车辆不可能
快到在下一帧时已经通过了虚拟线框，在虚拟线框内不存在该目标车辆的连通域。也就是说：150
理论上每一个目标车辆的连通域至少有一帧的时刻是在虚拟线框内存在的。事实上，根据实
际线框的大小和车流速度，结合大量观测实验，我们发现就算是最快的小型汽车通过预先设
定的远端虚拟线框，最少也进过了 20 帧，所以我们做出合理假设，目标车辆连通域至少存
在于远端虚拟线框 4 帧的时间，这是一个对之后算法改进很重要的假设。
根据以上结论，在没发现第三种情况之前，我们判定有车辆进过虚拟线框的基本准则是：155
当前帧虚拟线框内存在连通域个数小于前一帧虚拟线框内的连通域个数时，说明有车辆跑出
了线框区域范围。这时我们用前一帧线框内连通域个数减去当前帧线框内连通域个数作为车
流计数。假设我们储存的前一帧线框内的连通域个数为 3，而当前帧连通域个数为 1，这认
为有两辆车在前一帧到当前帧的时间段驶出了该虚拟线框检测区，所以计数为 2。其思路是
目标车辆进入线框时不予统计，当车辆驶出线框时再统计[8]。 160
但是很快我们发现这种算法存在极大的问题，会过多的统计车流量。于是我们将每帧远
端虚拟线框检测区内连通域个数记录并打印出来（如图 3）。
图 3 每一帧虚拟线框内目标连通域个数统计 165
Fig 3 Target connected domain number of each frame virtual wireframe
其部分帧中远端虚拟线框连通域数存在异常（用红色方框标注的部分），导致之后的错
误统计流量。进过反复的实验发现前面提到的第三种情况：出现“闪现”连通域[9]。为了解
决车流量过多错误统计的问题，我们提出对连续帧连通域个数的平滑的操作。具体步骤如下： 170
1. 在背景合成之后，将连续 7 帧中远端虚拟线框内连通域个数储存在容量大小为 7 的
容器 deq_far 中，当下一帧进来后，删除 deq_far 中第一帧的数据。
- 6 -
中国科技论文在线
2. 对 deq_far 中 7 个数据进行中值滤波，将中值数据赋予接下来要进入 deq_far 的当前
帧。
这里 deq_far 容器大小选为 7 是因为前面我们的合理假设：目标车辆连通域至少存在于175
远端虚拟线框 4 帧的时间。因为连续 4 帧的时间，不可能有目标车辆跑出远端虚拟线框检测
区，跟何况是目标车辆膨胀后的二值化连通域。所以我们有理由相信对虚拟线框中出现的“闪
现”连通域的平滑处理时合理的，并且实验结果也是令人满意的。图 4 是对图 3 中连续帧远
端虚拟线框检测区域内连通域数平滑操作后打印出来的结果。图 4 中红色矩形框标注的数据
对应的是图 3 中出现异常帧的位置，其余帧的数据没有受到影响。 180
图 4 对连续帧连通域数据进行平滑操作后的结果
Fig 4 For continuous frame connected domain data smoothing operation results
185
经过大量的测试，该算法远端线框中目标车辆连通域统计准确率在 90%以上，特别是
视频质量较好时，对单个车辆的检测几乎没有遗漏。主要问题集中在高速公路中出现的大型
货车（车身较长），由于车身较长，导致进过形态学处理后，其二值化图像也有部分存在分
裂现象，使虚拟线框对连通域数量出现误判，这是属于形态学处理的遗漏问题。为了解决这
个问题，我们结合近端和远端虚拟线框的检测数据，对远端虚拟线框内目标前景的连通域用190
7*1 的模板直接进行闭运算，由于该模板的特点，所以不会对连通域的水平方向像素有任何
影响。
区域切割
图像分割的是根据不同场景或运算目的将图像分割为不同的检测区域。例如，有根据区
域灰度的不连续性，通过检测目标区域之间的边界来处理，也有以像素性质分布为基础的门195
限分割（如灰度级的值和颜色）。在车流量统计系统中，目标车辆的检测和统计是核心，也
是根本目的。而区域分割又作为目标检测不可或缺的部分，可见其重要性。
用数学公式来表示传统区域分割技术如下：
设 Z 表示整幅图像，则区域分割可看成是 Z 被划分为n个不同的子模块，这里我们用
1z ， 2z ，L， nz 来表示。则有分割区域一般具有如下性质： 200
- 7 -
中国科技论文在线
a)
1
, 1, 2, ,
n
i
i
z Z i n
=
= =U L ；
b) 每一个分割出来的 iz 都是一个连通区域；
c) 当 i j≠ 时， i jz z =∅I ；
d) ( )iT z true= ；
e) 对于任意相邻的 iz 和 jz ， ( )i jT z z false=U ； 205
上面的 ( )iT z 是定义在 iz 上的逻辑谓词。例如区域 iz 中所以像素点有相同的颜色，则是
( )iT z true= ，条件e则是说明区域 iz 和 jz 的逻辑谓词不一样[10]。
在这里，我们的区域分割，不同于传统的分割方法，不是对整幅图像 Z 进行区域分割，
而是只针对虚拟线框的区域。通过按照车道宽度对虚拟线框检测区进行划分区域，从而分割
有目标车辆遮挡或粘连的情况。该分割方法的思路如下： 210
首先，根据测试预先得到单个车道在远近虚拟线框中所占的像素宽度，在结合所得到的
车道所占像素宽度对各虚拟线框进行分割区域，分割出的各区域中的共性就是，当有目标车
辆进过虚拟线框时，所有车辆的宽度要小于单个车道的宽度，所以车辆应该是完整通过各分
割区域的（由于多车道高速公路上车辆都是在车道内行驶的，几乎不存在违章的压线行驶）。
分割区域车流量统计 215
就测试用的右车道情况来说，由于车流是顺着摄像机的方向，所以可以确定近端虚拟线
框检测出的目标车辆数总要先于远端虚拟线框的检测数（因为车辆是先通过近端虚拟线框）。
一、 近端虚拟线框内连通域处理：
由于近端目标车辆信息较多，容易出现同一个目标的连通域空洞，所以用 7*1 的核直接
进行膨胀，该操作即不影响连通域宽度，也不会与前方车辆连通域出现粘连或遮挡的情况，220
因为近端目标车辆距离摄像机较近，使得实际车距在近端也有很大的差距，所以不考虑前后
车辆遮挡问题。之后提取对各分割区域内的连通域的宽度，对连通域宽度小于半个车道宽度
的不予计数。因为大型货车在通过近端线框时，由于摄像机角度的问题，形态学处理后会覆
盖相邻车道的区域，而一个完整的目标最少也占用了车道的 2/3 宽度，所以半个车道宽度的
阈值是合理的，从而可解决近端线框车辆遮挡和粘连的情况。 225
二、远端虚拟线框内连通域处理：
与近端情况刚好相反，远端由于视角问题使得目标车辆所占像素相对较少，而且前后车
辆遮挡和粘连的情况较多，而水平方向上较少，所以我们根据这一情况只用 5*1 的模板进行
闭运算，而不是直接膨胀。对单个分割区域内的检测与近端法则是一样的，都是以预定车道
宽度的一半为阈值来划分。 230
三、大型车辆的判定：
由于目标车辆的误统计大都是因为大型车辆遮挡或粘连引起的，所以我们首先要在近端
虚拟线框检测区内判断出通行连通域是否是大型车辆：首先设置多个 deq_near 容器（根据
近端分割区域的多少来确定数量）用来储存连续帧近端单个分割区域虚拟线框内的目标连通
域数，再进过前面提到的连续帧连通域个数平滑的操作，这些 deq_near 内存储的数据只可235
能是连续的 0 或连续的 1。我们就是这连续的 1 的个数来判定该连通域属于大型车辆还是小
- 8 -
中国科技论文在线
型车辆，因为大型车辆车速较慢，车体较长，所以其通过连通域的时间也叫长，这里的时间
我们可以理解为帧。通过实验结果显示，大型车辆连通域通过近端虚拟线框的时间一般在
35 帧以上，而小型车辆最慢也才 20 帧，所以我们设定的阈值为 28 帧，也就是说当 deq_near
有连续 28 个 1 出现后，我们判定该连通域为大型车辆。 240
四、车流量统计修正
假设我们将虚拟线框检测区分割为 N 个单独区域（N 为划分的车道数，实验数据为 4），
则按照前面的统计方法有 _ 1num near , _ 2num near ,…, _num nearN 个近端虚拟线框目
标车辆的统计数据，它们表示当前时刻所有以通过该单车道区域的车辆数。我们用
_num near表示当前时刻所有以通过该近端虚拟线框的车辆数。对应的远端虚拟线框的统245
计数据分别为 _ 1num far ， _ 2num far ， _num farN和 _num far ，则有：
_ _ 1 _ 2 _
_ _ 1 _ 2 _
num near num near num near num nearN
num far num far num far num farN
= + + +⎧⎨ = + + +⎩
L
L （4-5）
在假设目标车辆从近端虚拟线框到远端虚拟线框这段路程不变换车道的前提下，总存
在：
_ 1 _ 1
_ 2 _ 2
_ _
_ _
num near num far
num near num far
num nearN num farN
num near num far
>⎧⎪ >⎪⎪⎨⎪ >⎪ >⎪⎩
M （4-6） 250
根据式（4-6），当第i车道检测出有大型车辆进过时，我们提取连续的 50 帧内远端虚
拟线框检测区内第 i 车道的统计数据 _num fari 和近端数据 _num neari ，对数据
_ _num neari num fari− 进行跟踪，如果该数据变动，则说明该大型车辆在进入远端虚拟
线 框后 有了 分裂 或遮挡 （粘 连） ，需要 对最 终的 远端 数据 进行修 正。 如果
_ _num neari num fari− 变小，则说明是该车连通域分裂，反之则是遮挡。用变化后的255
_ _num neari num fari− 数据与变化前的数据进行差分，将该差分值赋予 _num diff （可
能是正整数也可能是负整数）。
对远端第 i车道统计数据的修正是用该车道统计数据 _num fari 加上 _num diff 得到
最终的修正统计值，最后根据式（4-5）把远端虚拟线框检测修正后的数据加起来作为该方
向车流量的最终统计值。 260
3 结论与算法展望
本文提出了一套完备的车流量统计算法方案，在实际测试中的效果也比较明显。精确的
车流量统计，无论是单独作为一个系统还是为别的相关系统提供统计数据，都与其相当大的
发展空间。学者对基于视频的车流量统计的研究已经有一段历史了，但是真正能用于实际场
景并有较高准确度的系统较少。车流量统计的实际用途广泛，有着巨大的研究潜力。另外本265
文中也存在着部分待解决的问题和算法遗漏需要改进，例如对虚拟线框内大型车辆通行判定
只是从单一方面入手，可能存在潜在的错误判定，其解决方法有很多，可以多加上一些判定
规则，例如虚拟线框内目标车辆连通域的面积大小等。还有对目标车辆在远近虚拟线框之间
换道的情况没有考虑，算法对不同场景需要调试参数较多，不利于算法移植等一些列问题需
- 9 -
中国科技论文在线
要解决。 270
[参考文献] (References)
[1] 贺晓锋，杨玉珍，陈阳舟．基于视频图像处理的车辆排队长度检测[J]．交通与计算机. 2006, 24(5): 43-46.
[2] 郁梅，蒋刚毅，贺赛龙. 基于路面标记的车辆检测和计数[J]. 仪器仪表学报, 2002, 23(4): 386-391
[3] 李庆武,石丹,孟凡,徐立中. 基于模糊集理论的车道标志线精确检测[J]. 交通与计算机, 2007, 25(6): 1-3. 275
[4] 何毅，杨新. 基于隐马尔科夫度量场模型的车辆检测和跟踪[J]. 上海交通大学学报, 2008, 42(2): 270-273.
[5] Priebe Ce, Marchette D. J. Adaptive mixture density estimation. Pattern Recognition[J], 1993, 26(5): 771-785.
[6] Traven, . A neural network approach to statistical pattern classification by 'semiparametric' estimation of
probability density functions[J]. IEEE Transactions on Neural Networks, 1991, 2(3): 366-377.
[7] , . A trainable system for object detection[J]. Computer Vision, 2000, 280
38(1), 15-33.
[8] Wren C, Azabayejani A, Darrel T, et al. Real-time tracking of the human body[ J ]. IEEE Transactions on
Pattern Analysis and Machine Intelligence, 1997, 19(7): 780～785.
[9] Stauffer C, Grimson W. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 2000, 22(8): 747～757. 285
[10] I Haritaoglu, D Harwood, L S Davis. W4:Rea-Time Surveillance of People and Their Activities[J]. IEEE
, 2000, 22(8): 809-830.
