基于粒子群優(yōu)化的復(fù)雜交通監(jiān)控車(chē)輛檢測(cè)與跟蹤

摘 要： 城市交通監(jiān)控視頻的背景與前景變化均極為劇烈，導(dǎo)致交通監(jiān)控對(duì)車(chē)輛的檢測(cè)與統(tǒng)計(jì)準(zhǔn)確率較低，對(duì)此，提出一種基于車(chē)輛空間移動(dòng)特點(diǎn)與粒子像素聚類(lèi)的車(chē)輛檢測(cè)與跟蹤方案。首先，基于高斯混合模型將權(quán)重與標(biāo)準(zhǔn)偏差比例較高的部分選為背景，由此實(shí)現(xiàn)前景區(qū)域的提取，同時(shí)，使用二值遮擋技術(shù)對(duì)提取的前景邊緣進(jìn)行優(yōu)化處理；然后，提取前景區(qū)域的部分粒子，對(duì)粒子進(jìn)行聚類(lèi)處理，結(jié)合粒子的空間位置與移動(dòng)向量來(lái)提高粒子的聚類(lèi)準(zhǔn)確率；最終，由于同一粒子簇可能為兩個(gè)運(yùn)動(dòng)形式接近的多輛車(chē)組成，針對(duì)粒子簇的軸線(xiàn)等參數(shù)設(shè)置了限制條件，從而判斷是否為同一車(chē)輛。對(duì)車(chē)輛的追蹤則基于連續(xù)幀之間相同粒子簇的相似率比較實(shí)現(xiàn)。對(duì)比試驗(yàn)結(jié)果表明，該算法在劇烈變換的背景條件下具有較高的車(chē)輛檢測(cè)準(zhǔn)確率，錯(cuò)誤率較低，優(yōu)于其他同類(lèi)型算法。

關(guān)鍵詞： 城市道路交通； 高斯混合模型； 前景遮擋； 聚類(lèi)； 車(chē)輛追蹤

中圖分類(lèi)號(hào)： TN820.4?34； TP391.4 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）14?0106?06

PSO?based vehicle detection and tracking in complex traffic monitoring

WANG Qingfen， SUN Xiuting， FAN Wei

（Department of Electrical Engineering， Shijiazhuang Tiedao University Sifang College， Shijiazhuang 051132， China）

Abstract： Since the traffic monitoring to vehicle detection and statistics has low accuracy due to the violent background and foreground variation of city traffic monitoring video， a vehicle detection and tracking scheme based on vehicle spatial displacement characteristic and particle pixel clustering is proposed. The sections with high proportion of weight to standard deviation are selected as the background on the basis of Gaussian mixture model to extract the foreground region， at the same time， the binary occlusion technology is used to optimize the foreground edge. And then， the part particles of the foreground region are extracted for clustering processing， and the clustering accuracy rate is improved in combination with the spatial position and motion vector of the particles. Since a particle cluster could be composed of vehicles with two similar motion modes， the limiting condition is set according to the particle cluster axis and other parameters to judge whether the particle cluster refers to the same vehicle. The vehicle was tracked based on the similar rate comparison of the same particle cluster between the continuous frames. The contrast test results prove that the proposed algorithm has high vehicle detection accuracy and low error rate in violent transform background situation， and is better than other same algorithms.

Keywords： city road traffic； Gaussian mixture model； foreground occlusion； clustering； vehicle tracking

0 引 言

城市交通監(jiān)控系統(tǒng)具有監(jiān)控道路安全、車(chē)輛追蹤以及優(yōu)化交通擁堵等重要作用。而車(chē)輛識(shí)別是交通監(jiān)控的關(guān)鍵技術(shù)，尤其，城市交通監(jiān)控的背景變化劇烈，普通車(chē)輛識(shí)別技術(shù)對(duì)于城市車(chē)輛識(shí)別性能較為一般。目前已有一些針對(duì)城市或高速交通視頻監(jiān)控的研究[1?6]，其利用前景遮擋等方案來(lái)降低變化劇烈的背景對(duì)識(shí)別性能的影響。其中文獻(xiàn)[1?3]利用稀疏編碼與片段采樣的方案獲得了較好的車(chē)輛檢測(cè)效果，文獻(xiàn)[4?6]使用紋理分析等方案對(duì)車(chē)輛進(jìn)行了分類(lèi)處理，獲得了較好的效果。

本文針對(duì)城市變化劇烈的道路交通視頻監(jiān)控系統(tǒng)，提出了復(fù)雜背景的車(chē)輛檢測(cè)與追蹤算法，首先基于高斯混合模型將權(quán)重與標(biāo)準(zhǔn)偏差比例較高的部分選為背景，由此實(shí)現(xiàn)了前景區(qū)域的提取，同時(shí)，使用二值遮擋技術(shù)對(duì)提取的前景邊緣進(jìn)行優(yōu)化處理。然后提取前景區(qū)域的部分粒子，對(duì)粒子進(jìn)行聚類(lèi)處理，結(jié)合粒子的空間位置與移動(dòng)向量來(lái)提高粒子的聚類(lèi)準(zhǔn)確率。最終，由于同一粒子簇可能為兩個(gè)運(yùn)動(dòng)形式接近的多輛車(chē)組成，針對(duì)粒子簇的軸線(xiàn)等參數(shù)設(shè)置了限制條件，從而判斷是否為同一車(chē)輛。對(duì)車(chē)輛的追蹤則基于連續(xù)幀之間和相同粒子簇的相似率比較獲得。對(duì)比試驗(yàn)可看出，本算法對(duì)城市交通劇烈變換背景下的車(chē)輛識(shí)別正確率較高，優(yōu)于已有的一些同類(lèi)型算法，同時(shí)本算法由于僅選取目標(biāo)的部分粒子進(jìn)行計(jì)算處理，因此計(jì)算效率也較高。

1 本文算法

1.1 本算法總體流程

如圖1所示為本算法的流程框圖。

1.2 監(jiān)控視頻的前景分割

為幀像素建立高斯混合模型（GMM），假設(shè)前景代表移動(dòng)目標(biāo)，且前景與背景區(qū)域的顏色不同。GMM自適應(yīng)地更新并處理非靜態(tài)背景的光照與位置變化。

將幀的像素顏色表示為一個(gè)依賴(lài)時(shí)間的向量[Xi，t={Ri，t，Gi，t，Bi，t}]，時(shí)間[t]時(shí)，將像素[i（x0，y0）]的顏色概率建模為k個(gè)獨(dú)立的混合高斯分布，則時(shí)間間隔[1，t-1]中，像素顏色出現(xiàn)概率可表示為：[Xi，1，Xi，2，…，Xi，t-1=I（x0，y0，j）：1≤j≤t-1]，其中[I]表示視頻序列。在時(shí)間t時(shí)，像素i出現(xiàn)給定顏色的概率為：

式中，[ωi，t，k]，[μi，t，k]，[∑i，t，k]分別表示第k個(gè)混合高斯分布各分量的權(quán)重、均值向量與協(xié)方差矩陣，即：

若將協(xié)方差矩陣簡(jiǎn)化為[∑i，t，k=σ2I]，則協(xié)方差可表示為[∑i，t，k=diagσ2Ri，t，kσ2Gi，t，kσ2Bi，t，k]，其中，[σ2Ri，t，k]，[σ2Gi，t，k]，[σ2Bi，t，k]分別表示時(shí)間t時(shí)、第k個(gè)GMM的RGB三色方差。

背景建模：將GMM分量按其權(quán)重與標(biāo)準(zhǔn)偏差的比例進(jìn)行降序排列：[ωi，t，kordσi，t，kord]。因此，按照式（2），將排名最前的[ktop]個(gè)GMM分量選為背景模型。

將像素與上述[ktop]個(gè)CMM分量進(jìn)行顏色匹配，選擇“匹配”的像素作為背景。“匹配”則定義為：對(duì)于像素三個(gè)顏色分量，其與GMM分量均值[μi，t，k]的標(biāo)準(zhǔn)偏差小于閾值[τRGB][（τRGB=2.5）]。若像素的三色與[ktop]個(gè)CMM分量不匹配，則將其分為前景像素[7]，如下：

式中，[Tbackground]表示從[ktop]個(gè)CMM分量中選擇少量分量代表背景的閾值[8]。

若像素的RGB三色與k個(gè)分量匹配，則匹配分量的權(quán)重、均值與方差按如下兩步進(jìn)行更新：

（1） 時(shí)間t-1時(shí)的匹配分量權(quán)重[ωi，t-1，k]更新如下：

式中，[α]表示學(xué)習(xí)速度，其均值向量與方差矩陣更新方法如下：

式中，參數(shù)[ρ]表示學(xué)習(xí)速度，定義為：

（2） 保留未匹配分布的參數(shù)，因此[μi，t，k=μi，t-1，k]，[∑i，t，k=∑i，t-1，k]，其權(quán)重更新如下：

若k個(gè)分量中無(wú)一分量與當(dāng)前像素RGB三色匹配，則用[Xi，t]顏色分量的均值代替可能性最低的GMM分量的均值，并為其設(shè)置起始高方差與低權(quán)重值。

本文采用二值移動(dòng)能量圖像（MEI）產(chǎn)生前景的時(shí)間信息。MEI通過(guò)前景像素的開(kāi)關(guān)來(lái)實(shí)現(xiàn)像素的二值遮擋，該MEI二值遮擋有助于描述移動(dòng)目標(biāo)的形狀與軌跡。設(shè)[Ig（x，y，t）]表示一個(gè)灰度幀序列，[D（x，y，t）]表示前景區(qū)域的二值幀序列，表示為：

式中：x與y表示時(shí)間t與t+1時(shí)幀中像素坐標(biāo)；Tb表示閾值（本文設(shè)為[Tb=35]）。二值MEI遮擋[Eτ（x，y，t）]則定義為在時(shí)間間隔[[t，t+τ]]中的二值[D（x，y，t）]序列聯(lián)合體：

式中，[τ]表示二值MEI遮擋[Eτ（x，y，t）]的序列長(zhǎng)度。

如圖2（a）、圖2（b）所示為使用GMM像素分類(lèi)與二值MEI算法所得結(jié)果圖，同時(shí)使用形態(tài)學(xué)操作對(duì)[FM（x，y，t）]遮擋的區(qū)域進(jìn)行優(yōu)化處理，如圖2（c）所示，可看出圖2（c）比圖2（a）的檢測(cè)更準(zhǔn)確。

上述前景遮擋方法具有一個(gè)重要優(yōu)點(diǎn)，其產(chǎn)生的粒子的計(jì)算效率較高，計(jì)算復(fù)雜度較低。本文使用最小特征方法檢測(cè)出的粒子結(jié)果圖如圖3所示。

對(duì)每個(gè)粒子區(qū)域，計(jì)算幀[I（x，y，t）]與[I（x，y，t+1）]之間的移動(dòng)向量。將以粒子[u（x，y，t）]為中心的窗口與以粒子[u（x，y，t+1）]為中心的窗口進(jìn)行比較，該移動(dòng)向量表示了像素在x與y方向的移動(dòng)距離。在最小化成本函數(shù)下，獲得每個(gè)粒子的移動(dòng)向量：

式中：[p，q=-N，-N+1，…，N-1]，N表示當(dāng)前方塊C的偏移（N×N）；R表示幀[I（x，y，t+1）]中的搜索方塊；[x]，[y]表示方塊C的像素坐標(biāo)。矩陣E包含平均絕對(duì)差，將p與q的平均絕對(duì)差最小化，從而計(jì)算方塊C與R之間的移動(dòng)向量。

1.3 粒子分簇與車(chē)輛識(shí)別

1.3.1 粒子簇聚類(lèi)

本文使用K?means算法對(duì)粒子集進(jìn)行分簇，同時(shí)考慮粒子的空間位置與移動(dòng)向量來(lái)提高其分類(lèi)準(zhǔn)確率。

設(shè)[Nmin]為與前景區(qū)域（車(chē)輛）相關(guān)的粒子集最小個(gè)數(shù)，本文對(duì)于320×240大小的視頻幀，將其設(shè)為[Nmin]=8。

將視頻幀中檢測(cè)粒子的總數(shù)量設(shè)為[Nparticles]，該幀的最大分簇?cái)?shù)量定義為[clustermax=NparticlesNmin]。然后，使用K?means算法迭代地更新分簇?cái)?shù)量（1～[clustermax）]獲得粒子的分簇，每輪迭代中，計(jì)算每個(gè)粒子與其對(duì)應(yīng)質(zhì)心距離的總和，若兩次迭代“粒子?質(zhì)心”距離的總和差異小于閾值[TDiff]（本文設(shè)[TDiff]=0.1），則結(jié)束迭代過(guò)程。因?yàn)楸疚脑囼?yàn)中，使用余弦度量獲得了最準(zhǔn)確的粒子集分類(lèi)結(jié)果，所以本文使用余弦度量來(lái)測(cè)量“粒子?質(zhì)心”距離：

式中，[u]代表粒子，粒子包含4個(gè)分量：其空間位置（x與y）、移動(dòng)向量（[Δx，Δy]），移動(dòng)向量表示粒子沿x，y軸方向移動(dòng)的像素?cái)?shù)量；[c]表示粒子集的質(zhì)心。每輪迭代的距離之和計(jì)算如下：

式中：[clusterk]表示每輪迭代的簇?cái)?shù)量；n表示簇[Qi]中粒子數(shù)量。兩輪連續(xù)迭代的總距離差值定義為：

[Diff=SDclusterk-1-SDclusterk]

使用輪廓法來(lái)檢查每個(gè)粒子分簇的合理性：

式中：[Silh（u）]表示粒子[u]的剪影值；[a（u）]表示粒子[u]與其他同簇粒子的平均距離；[b（u）]表示從[u]至其最近鄰簇的最小距離。若[Silh（u）<0]，則表示[u]與其他同簇粒子空間上距離較遠(yuǎn)，且必須從改簇刪除。

1.3.2 粒子簇分割

由于同簇的粒子并非一定為同一車(chē)輛，可能是兩輛位置與速度均接近的車(chē)輛，因此，需考慮兩種情況：

（1） 使用前景遮擋（FM）來(lái)判斷兩個(gè)不同的粒子簇[Qi]與[Qj]是否同一車(chē)輛；

（2） 粒子簇[Qi]基于前景遮擋信息是否可分割為兩個(gè)車(chē)輛。如圖4所示為粒子簇分割過(guò)程實(shí)例圖。

離子簇分割過(guò)程解釋為：對(duì)于粒子簇[Qi={ui1，ui2，…，uin}]，若[Qi]應(yīng)該被分割，則[i={1，2，…，nc}]，其中{[ui1，ui2，…，uin]}代表簇[Qi]的粒子，nc表示簇的總數(shù)量。設(shè)粒子簇[Qi]的凸包為[Chull=convex_hull（Qi）]，背景區(qū)域?yàn)閇BA=Chull-（Chull?FM）]且[BA?Chull]，并且前景遮擋（FM）中不含該凸包[Chull]。若[#{BA}#{Chull}]>[Tsplit]（本文設(shè)[Tsplit]=0.15），則[Qt+1j=（Qti）′]，[Qt+1j+1=Qti-（Qti）′=（Qti）″]，j={1，2，…，[nc′]}，其中[nc′]>nc，[#{BA}]與[#{Chull}]分別是BA與[Chull]中的像素?cái)?shù)量。對(duì)[Qti]中粒子進(jìn)行K?means聚類(lèi)將其分為[（Qti）′]與[（Qti）″]兩部分。因此，若[Chull]中大于15%的區(qū)域未被檢測(cè)為FM中的前景目標(biāo)，則使用K?means聚類(lèi)將簇[Qi]分割為兩部分（如圖4（b）所示）。

1.3.3 粒子簇修改

粒子簇修改與粒子簇分割過(guò)程相似，如圖5所示為粒子簇修改過(guò)程實(shí)例。

對(duì)簇[Qi]與[Qj]進(jìn)行成對(duì)測(cè)試來(lái)判斷是否需對(duì)其進(jìn)行修改，其中[i={1，2，…，nc-1}]，[j={i+1，2，…，nc}]，[i≠j]。首先，檢查[Qti]與[Qtj]質(zhì)心的歐氏距離是否小于其粒子與本簇質(zhì)心距離的最大值，有：

式中：[DE（Qti，Qtj）]表示兩個(gè)質(zhì)心的歐式距離；[ci]表示質(zhì)心；[maxdistance（ui，ci）]表示粒子[ui]與其質(zhì)心[ci]的最大距離，[maxdistance（uj，cj）]與其同理；[u=u1，u2，…，un]表示簇Q中的粒子集。

若[Qti]與[Qtj]滿(mǎn)足式（14），則需第二個(gè)條件來(lái)判斷簇是否需修改。設(shè)[Chull=convex_hull（Qti?Qtj）]為包含所有粒子[Qti?Qtj]的最低凸包，如圖5（b）中灰色部分，且[FA=Chull?FM，F(xiàn)A?Chull]為前景遮擋（FM）的前景目標(biāo)（如圖5（c）中白色部分，中間的灰色部分為背景）。

若[#{FA}#{Chull}>Tmerge]（本文設(shè)[Tmerge]=0.85），則[Qt+1max（i，j）=Qti?Qtj]且[Qt+1min（i，j）=?]，其中[max（i，j）]與[min（i，j）]分別表示i與j之間的最大與最小序號(hào)。[#{FA}]表示前景區(qū)域像素的數(shù)量，[#{Chull}]表示[Chull]區(qū)域像素?cái)?shù)量。上述內(nèi)容解釋為：若FA占[Chull]區(qū)域85%，則將[Qti]，[Qtj]修改為單簇（如圖5（d）所示）。

1.4 車(chē)輛檢測(cè)

設(shè)粒子簇為[Qi]，[i={1，2，…，nc}]，nc為粒子簇總數(shù)量，為了判斷簇[Qi]是否為一輛車(chē)，進(jìn)行如下檢查：設(shè)[Chull=convex_hull（Qi）]表示包含所有[Qi]粒子的最小凸包，如圖6（b）所示，[Cdilated=NEIG（uij）⊕B]表示粒子集[uij]（j={1，2，…，n}）的鄰居，將簇[Qi]擴(kuò)展為圓形結(jié)構(gòu)元素B（本文將B的半徑設(shè)為5，如圖7（e）所示，[Amajor=major_axis（Chull）]與[Aminor=minor_axis（Chull）]分別為[Chull]區(qū)域的最大與最小軸線(xiàn)長(zhǎng)度（如圖7（f）所示）。[FAint=Chull?FM]表示[Chull]與[FM]的交叉區(qū)域，如圖7（c）所示。[FAext=FM-Chull]表示[Chull]區(qū)域外部的前景部分，如圖7（d）所示。對(duì)上述條件檢查結(jié)果進(jìn)行計(jì)分統(tǒng)計(jì)：若滿(mǎn)足其中一個(gè)條件，則將分?jǐn)?shù)加1；若不滿(mǎn)足，則減1。將判斷粒子集是否為一個(gè)車(chē)輛的條件總結(jié)如下：

最終，若條件判斷的總積分高于0，則[Qi]表示車(chē)輛，并將[Qi]表示為[Vi]。

1.5 車(chē)輛跟蹤

上文已成功識(shí)別車(chē)輛（[Vi]），以每個(gè)粒子為中心建立大小（9×9）的窗口，并為該窗口像素計(jì)算其顏色直方圖，然后比較該粒子時(shí)間t與t-1兩個(gè)直方圖的相似性。本文將靜止車(chē)輛與移動(dòng)車(chē)輛區(qū)別處理：

靜止車(chē)輛跟蹤：通過(guò)分析[Vi]的粒子移動(dòng)向量判斷其是否靜止，若為靜止車(chē)輛，則直接將當(dāng)前幀的前景區(qū)域復(fù)制至下一幀，從而無(wú)需再次檢查靜止車(chē)輛的前景部分，提高了計(jì)算效率。移動(dòng)車(chē)輛跟蹤：設(shè)[Vt-1i={ut-1i，1，ut-1i，2，…，ut-1i，npp}]是與[Vi]對(duì)應(yīng)的上一幀（時(shí)間t-1）粒子集，[Vti={uti，1，uti，2]，…，[uti，npc]表示當(dāng)前幀（時(shí)間t）的粒子集，式中i={1，2，…，nv}，其中nv為檢測(cè)車(chē)輛的數(shù)量，npp與npc分別表示[Vt-1i]與[Vti]的粒子個(gè)數(shù)。獲得時(shí)間t-1幀的9×9窗口，表示為：[Wi，p=window（ut-1i，p）]，時(shí)間t的窗口表示為：[Wi，c=window（uti，c）]，其中p={1，2，…，npp}且c={1，2，…，npc}。

將上述圖像窗口的8 b RGB三色分量重新量化為3 b三色分量，共可組成512種顏色。然后可獲得上一幀中每個(gè)窗口的歸一化顏色直方圖，表示為：[Hi，p=hist（Wi，p）]，當(dāng)前幀的對(duì)應(yīng)窗口則表示為[Hi，c=hist（Wi，c）]。然后將[Hi，p]與[Hi，c]使用巴氏系數(shù)[9]進(jìn)行比較，如式（17）所示：

式中：[Hi，p]與[Hi，c]分別表示上一幀與當(dāng)前幀圖像窗口的直方圖；L表示直方圖中bin的數(shù)量。本文定義若相似度高于0.8，則認(rèn)為兩幀的粒子保持不變。

本文將相似度[shist（Hi，p，Hi，c）

式中[uk]代表重疊區(qū)域的粒子；[μu]是粒子集T中所有粒子的算術(shù)平均值；S是粒子集T的協(xié)方差矩陣。

2 實(shí)驗(yàn)結(jié)果與分析

本文目標(biāo)是對(duì)城市監(jiān)控中的車(chē)輛進(jìn)行計(jì)數(shù)與跟蹤，同類(lèi)型的研究包括文獻(xiàn)[1，5，10，11]。使用智行南京軟件公司提供的6段城市不同路段的監(jiān)控視頻，視頻幀大小均為320×240，25 f/s。如圖8所示為車(chē)輛跟蹤過(guò)程實(shí)例。

使用上述幾個(gè)方案對(duì)相同的監(jiān)控視頻進(jìn)行計(jì)數(shù)處理，文獻(xiàn)[10]算法結(jié)合背景消除、粒子跟蹤以及聚類(lèi)算法實(shí)現(xiàn)了車(chē)輛檢測(cè)，與本文方案接近；文獻(xiàn)[1，3，5，11]算法與本算法相差較大，但均獲得了較好的檢測(cè)準(zhǔn)確率。上述算法與本算法的目標(biāo)一致，且均為近期提出，因此，將其與本算法進(jìn)行比較。使用上述不同算法分別對(duì)6個(gè)城市交通監(jiān)控視頻進(jìn)行處理，對(duì)視頻中經(jīng)過(guò)的車(chē)輛進(jìn)行跟蹤與計(jì)數(shù)，統(tǒng)計(jì)結(jié)果如表1所示。將檢測(cè)的車(chē)輛數(shù)量按照經(jīng)過(guò)視頻監(jiān)控中總車(chē)輛形式進(jìn)行結(jié)果統(tǒng)計(jì)。將未被成功檢測(cè)的車(chē)輛數(shù)量用FN表示，將被重復(fù)計(jì)數(shù)的車(chē)輛用FP表示（表示了一個(gè)車(chē)輛被識(shí)別為多個(gè)目標(biāo)，對(duì)每個(gè)目標(biāo)均進(jìn)行計(jì)數(shù)）。

本算法的FN+FP數(shù)量為95，實(shí)際經(jīng)過(guò)車(chē)輛個(gè)數(shù)為1 081輛，而其他算法的技術(shù)結(jié)果FN+FP值明顯大于本算法。可看出文獻(xiàn)[5]的FN與FP數(shù)量接近，說(shuō)明其性能比較均衡，但同時(shí)其兩種錯(cuò)誤數(shù)量均高于其他算法。文獻(xiàn)[1]的FP數(shù)量略低于本算法，但其FN則為本算法的兩倍以上，其總錯(cuò)誤為151，高于本算法。而其他幾種算法的錯(cuò)誤均高出本算法較多，從中可看出，本算法的優(yōu)勢(shì)。

3 結(jié) 語(yǔ)

本文針對(duì)城市變化劇烈的道路交通視頻監(jiān)控系統(tǒng)提出了車(chē)輛識(shí)別正確率較高的算法，并獲得了較好的車(chē)輛追蹤效果。使用二值遮擋技術(shù)對(duì)提取的前景邊緣進(jìn)行優(yōu)化處理。提取前景區(qū)域的部分粒子，對(duì)粒子進(jìn)行聚類(lèi)處理，結(jié)合粒子的空間位置與移動(dòng)向量來(lái)提高粒子的聚類(lèi)準(zhǔn)確率。同時(shí)由于僅計(jì)算前景部分的部分粒子，因此計(jì)算效率較高。

參考文獻(xiàn)

[1] NIETO M， UNZUETA L， BARANDIARAN J， et al. Vehicle tracking and classification in challenging scenarios via slice sampling [J]. EURASIP journal on advances in signal processing， 2011（1）： 1?17.

[2] 李明之，馬志強(qiáng)，單勇，等.交通監(jiān)控中運(yùn)動(dòng)目標(biāo)軌跡的距離計(jì)算和聚類(lèi)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（6）：2417?2422.

[3] MEI X， LING H B. Robust visual tracking and vehicle classification via sparse representation [J]. IEEE transactions on pattern analysis and machine intelligence， 2011， 33（11）： 2259?2272.

[4] LEONE A， DISTANTE C. Shadow detection for moving objects based on texture analysis [J]. Pattern recognition， 2007， 40（4）： 1222?1233.

[5] CHEN Z， ELLIS T， VELASTIN S A. Vehicle detection， tracking and classification in urban traffic [C]// 2012 15th IEEE International Conference on Intelligent Transportation Systems. Anchorage： IEEE， 2012： 951?956.

[6] JAZAYERI A， CAI H， ZHENG J Y， et al. Vehicle detection and tracking in car video based on motion model [J]. IEEE transactions on intelligent transportation systems， 2011， 12（2）： 583?595.

[7] KAEWTRAKULPONG P， BOWDEN R. An improved adaptive background mixture model for real?time tracking with shadow detection [M]// Anon. Video?based surveillance systems. US： Springer， 2002： 135?144.

[8] STAUFFER C， GRIMSON W E L. Adaptive background mixture models for real?time tracking [C]// Proceedings of 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Colorado： IEEE， 1999： 2246?2250.

[9] COMANICIU D， RAMESH V， MEER P. Real?time tracking of non?rigid objects using mean shift [C]// Proceedings of 2000 IEEE Conference on Computer Vision and Pattern Recognition. Hilton Head Island： IEEE， 2000： 142?149.

[10] BOUVIE C， SCHARCANSKI J， BARCELLOS P， et al. Tracking and counting vehicles in traffic video sequences using particle filtering [C]// Proceedings of 2013 IEEE International Conference on Instrumentation and Measurement Technology. Minneapolis： IEEE， 2013： 812?815.

[11] SANCHEZ A， SUAREZ P D， CONCI A， et al. Video?based distance traffic analysis： application to vehicle tracking and counting [J]. Computing in science engineering， 2011， 13（3）： 38?45.