体育视频中的运动目标智能跟踪研究
刘晨
摘 要： 视频运动目标跟踪广泛应用于体育领域中，为了提高运动目标的跟踪精度，提出一种体育视频中的运动目标智能跟踪方法。首先收集体育视频，考虑体育视频中运动目标的多样性，采用改进背景更新差分法对运动目标进行检测，然后采用卡尔曼滤波算法对运动目标进行跟踪，最后对多个体育视频运动目标进行跟踪实验。结果表明，该方法可以准确、快速地对体育视频中的运动目标进行跟踪，而且运动目标跟踪的实时性要优于其他跟踪方法，为体育视频中的运动目标跟踪提供了一种新的研究工具。
关键词： 体育视频； 运动目标； 卡尔曼滤波算法； 背景更新差分法； 检测与跟踪
中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2017）19?0102?03
Research on intelligent tracking of moving objects in sports video
LIU Chen
（Wuhan Huaxia University of Technology， Wuhan 430070， China）
Abstract： Video moving target tracking is widely applied in the sports field. In order to improve the tracking accuracy of moving targets， an intelligent tracking method for moving targets in sports video is proposed. Sports videos are collected， the improved background update difference method is adopted to detect moving targets in view of the variability of moving targets in sports video， and then the Kalman filtering algorithm is adopted to track the moving targets. Finally， an experiment is carried out for tracking multiple moving targets in sports video. The results show that by using this method， the moving targets in sports video can be tracked accurately and quickly， and the real?time performance of moving target tracking is superior to that of other tracking methods. This method provides a new research means for tracking the moving targets in sports video.
Keywords： sports video； moving target； Kalman filtering algorithm； background update difference method； detection and tracking
0 引 言
随着我国体育事业的发展，各种大型体育赛事越来越多，出现了大量的体育视频[1]。对体育视频进行分析和研究，找到对方或者自身的不足，对制定训练计划和比赛方案具有重要的实际意义，而运动目标跟踪是体育视频分析的一个重要方面，引起了人们的高度关注[2?3]。
由于体育视频采集角度、光照变化等因素的干扰，体育视频目标跟踪面临巨大的挑战，当前体育视频目标跟踪算法可以划分为跟踪器的体育视频目标跟踪算法和检测器的体育视频目标跟踪算法两大类[4]。基于跟踪器的体育视频目标跟踪算法需要提取目标特征，经典特征主要有目标的轮廓、光流，该类算法要求运动目标始终可见，如果运动目标在视觉范围消除，那么就无法实现体育视频目标的准确跟踪，因此实际应用范围相对较窄[5?6]。基于体育视频目标跟踪算法根据滑动窗口对每一帧中的运动目标位置进行检测，由于需要进行离线学习，无法满足体育视频目标跟踪的實时性[7]。近年来，随着控制优化技术的不断发展，出现了背景差分法、粒子滤波算法、均值漂移算法的目标跟踪研究[8?10]，研究结果表明，它们提高了体育视频目标跟踪的准确性，但当运动目标的场景变化比较大时，体育视频目标跟踪效果急剧下降，跟踪鲁棒性差。
为了提高运动目标跟踪精度，提出一种体育视频中的运动目标智能跟踪方法。首先采用改进背景更新差分法对运动目标进行检测，然后采用卡尔曼滤波算法对运动目标进行跟踪，最后实验结果表明，该方法可以准确、快速地对体育视频中的运动目标进行跟踪，而且运动目标跟踪的实时性要优于其他跟踪方法。
1 体育视频运动目标智能跟踪算法
1.1 改进背景更新差分法
在体育视频运动目标跟踪建模过程中，首先要对视频中的运动目标进行检测，当前运动目标检测算法众多，相对于其他方法，背景更新差分法的运算量相对较小，检测速度更快，可以获得更好的运动目标检测效果，并结合体育视频运动目标的特点，对传统背景更新差分法进行相应的改进，以提高运动目标的准确性。
背景更新差分法首先对视频图像序列的相邻帧进行差分操作，在短时间内检测不同图像帧的像素强度变化，然后根据阈值对视频中的运动目标进行检测，其工作流程如图1所示。
设[St]和[St+n]为第[t]和[t+n]帧的图像，根据背景更新差分法的工作流程建立数学模型为：
[St=Bt（x，y）+V（x，y）+Nt（x，y）] （1）
[St+n=Bt+n（x，y）+V（x+Δx，y+Δy）+Nt+n（x，y）] （2）
式中：[Bt（x，y）]和[Bt+n（x，y）]为第[t，t+n]帧的背景；[V（x，y）]和[V（x+Δx，y+Δy）]为第[t，t+1]帧的运动目标；[Nt（x，y）]和[Nt+n（x，y）]为第[t，t+n]帧的噪声。
采用背景更新差分法得到第[t，t+n]帧的差分值[（ΔSt+n/t）]为：
[ΔSt+n/t=St+n-St=Bt+n（x，y）-Bt（x，y）+ V（x+Δx，y+Δy）-V（x，y）+Nt+n（x，y）-Nt（x，y）] （3）
式中：[Bt+n（x，y）-Bt（x，y）+V（x+Δx，y+Δy）-V（x，y）]为运动像素的强度；[Nt+n（x，y）-Nt（x，y）]为噪声的强度。
[K（x，y）]表示背景更新差分法的二值差分图像，那么可以得到：
[K（x，y）=1， ΔS≥T0， ΔS<t]
式中[T]表示阈值。
如果[K（x，y）=1，]表示视频中的目标处于运动状态；[K（x，y）=0，]表示目标处于静止状态。
针对传统背景更新差分法存在的不足，本文对其进行改进，基本思想为：对像素强度变化区域进行标记，并对背景进行相应的修正，然后根据累计差分自动更新背景，并根据光照幅度变化对参考背景进行补偿，最后实现背景实时更新，其工作流程如图2所示。
设[P（x，y）]表示改进背景更新差分法处理后的二值差分图像，则有：
[P（x，y）=0， ΔSt/t-1?ΔSt+n/t≠11， ΔSt/t-1?ΔSt+n/t=1] （5）
如果[P（x，y）=1，]表示该像素点处于运动区域；[P（x，y）=0，]表示该像素点处于背景运动区域，需要进行背景实时更新操作。用[St] 帧的像素换背景区域，实现背景像素的修正。
根据非零区域内的采样[Bm]和其他区域采样[Bn，]那么可以得到实时背景图像[B]为：
[B（x，y）=Bm（x，y）=St， P（x，y）=0Bn（x，y）， otherwise] （6）
将更新的背景图像[BM]描述为[B]和[Bm]的加权和，即有：
[BM（x，y）=σ×B（x，y）+（1-σ）×Bm（x，y）] （7）
式中[σ]为权值。
采用邻帧差分法选择帧[St+1]和[St]差分的平均值作为光照幅度的变化值，采用多个相邻帧差分的均值量化光照变化的幅度，这样帧[St+1]和[St]的光照幅度变化值[CBt+1/t]可以描述为：
[CBt+1/t=k=1MSt+1（x，y）-St（x，y）M] （8）
当光照强度变化超过阈值时，就实现光照补偿，得到更新后的背景图像为：
[B′M（x，y）=σB（x，y）+（1-σ）Bm（x，y）+CBt+1/t， CBt+1/t>TSBm（x，y）， otherwise] （9）
1.2 卡尔曼滤波的运动目标跟踪
改进背景更新差分法对运动目标进行检测，选择卡尔曼滤波算法对运动目标进行跟蹤。[Xk]为第[k]时刻的运动目标矢量，[Zk]代表系统观测矢量，那么运动目标状态和观测方程分别为：
[Xk+1=Ak+1/kXk+wk] （10）
[Zk=HkXk+vk] （11）
式中：[Ak+1/k]为从[k]到[k+1]时刻的状态转移矩阵；[wk]为随机噪声矢量；[Hk]为观测矩阵；[vk]为观测噪声矢量。
采用卡尔曼滤波算法对运动目标进行估计，估计准则为：
[J[Xk]=J[Xk-Xk]=E[XkXTk]=min] （12）
式中[Xk]是[Xk]的无偏估计。
先验估计的运动目标矢量预测和协方差方程分别为：
[X′k+1=Ak+1Xk] （13）
[P′k+1=Ak+1PkATk+1+Qk] （14）
卡尔曼滤波算法的增益矩阵计算公式为：
[Kk=P′kHTk（HkP′kHTk+Rk）-1] （15）
后验估计的运动目标矢量更新方程和协方差更新方程分别为：
[Xk=X′k+Kk（Zk-HkX′k）] （16）
[Pk=（I-KkHk）P′k] （17）
式中：[X′k+1]为先验估计的运动目标；[P′k+1]为先验估计的误差方差矩阵；[Pk+1]为最优估计的误差方差矩阵；[Kk]为最优估计的系数矩阵；[Xk+1]为运动目标的最优估计。
2 体育视频运动目标智能跟踪的性能测试
2.1 测试平台
在Intel[?] 4 核酷睿 3.0 GHz CPU，32 GB 内存，Win7操作系统的个体计算机，选择Matlab 2012R仿真工具箱对体育视频运动目标智能跟踪算法进行仿真测试，选择当前经典运动目标智能跟踪算法——均值漂移算法和粒子滤波算法进行对比实验，以验证本文方法的优越性。
2.2 普通视频的性能分析
选择一个普通视频对智能跟踪算法的性能进行分析，所有算法的运动目标跟踪结果如图3所示。
分析图3可知：
（1） 在所有算法中，均值漂移算法的运动目标跟踪结果效果最差，而且实际运动目标位置偏离很大，无法对运动目标进行准确跟踪，没有什么实际应用价值。
（2） 相对于均值漂移算法，粒子滤波算法的运动目标跟踪结果得到了相应的改善，提高了运动目标跟踪精度，这是因为粒子滤波算法具有对运动目标跟踪的动态性，可以不停调整跟踪轨迹，得到比较理想的运动目标跟踪效果。
（3） 本文算法的视频目标跟踪效果要明显优于对比算法的视频跟踪效果，这是由于本文算法充分利用了背景更新差分法和卡尔曼滤波算法的优点，可以对视频中的运动目标进行准确检测，从而实现运动目标高精度跟踪，克服了对比算法存在的不足，获得了最优的运动目标跟踪结果。
2.3 体育视频的性能分析
选择多个体育视频运动目标进行跟踪测试，结果如图4所示。从图4可知，本文算法的体育视频运动目标跟踪效果要远远好于对比算法的跟踪结果，具有更好的跟踪精度，而且适应环境的能力更强。
2.4 目标跟踪的实时性分析
速度在视频运动目标跟踪的应用中十分关键，是一个经常衡量视频运动目标跟踪性能的重要指标，选择运动目标跟踪时间分析算法的目标跟踪实时性，即跟踪速度，不同类型的体育视频运动目标平均跟踪时间见图5。
由图5可知，本文方法的平均跟踪时间最少，其次是粒子滤波算法，最多为均值漂移算法，对比结果表明，本文算法获得了更快的体育视频运动目标跟踪速度，具有更优的运动目标跟踪实时性。
3 结 语
目标跟踪是体育视频分析和研究中的一个重要方向，为了更好地给体育训练和比赛提供有价值的参考信息，针对当前体育视频中的运动目标跟踪算法存在的缺陷，设计了一种体育视频运动目标的智能跟踪算法，并选择多个数据进行了验证性测试。测试结果表明，该方法结合背景更新差分法和卡尔曼滤波算法的优点，不仅获得了较高精度的运动目标跟踪结果，而且运动目标跟踪速度可以满足体育视频分析的实时性要求。
参考文献
[1] 王亮，胡卫明，谭铁牛.人运动的视觉分析综述[J].计算机学报，2002，25（3）：225?237.
[2] 王兆其，张勇东，夏时洪.体育训练三维人体运动模拟与视频分析系统[J].计算机研究与发展，2005，42（2）：344?352.
[3] 张文杰，戚飞虎，江卓军.实时视频监控系统中运动目标检测和跟踪的一种实用方法[J].上海交通大学学报，2002，36（12）：1837?1840.
[4] 赵骥，冯闯，邵富群，等.基于自适应帧差和水平集的运动目标检测和分割[J].信息与控制，2012，41（2）：153?158.
[5] 陈文俊，张定会，王少宾.一种改进的背景差分模型视频图像分割方法[J].微计算机信息，2010，26（10）：206?207.
[6] 张龙飞，曹元大，张明杰，等.体育视频中的对象检测与分割[J].计算机工程，2006，32（3）：229?231.
[7] 徐哈，肖慧，侯宏录.体育视频序列中基于IMM的运动目标跟踪算法[J].中国图象图形学报，2009，14（5）：920?924.
[8] 赵冠华，冯晓毅，王虎，等.结合对称差分法和背景减法的目标检测方法[J].计算机工程与应用，2010，46（3）：145?147.
[9] 林洪文，涂丹，李国辉.基于统计背景模型的运动目标检测方法[J].计算机工程，2003，29（16）：97?99.
[10] 邓庆林，刘海华，吴良健.一种基于分水岭和区域合并的视频对象分割算法[J].现代科学仪器，2010，7（1）：34?38.
摘 要： 视频运动目标跟踪广泛应用于体育领域中，为了提高运动目标的跟踪精度，提出一种体育视频中的运动目标智能跟踪方法。首先收集体育视频，考虑体育视频中运动目标的多样性，采用改进背景更新差分法对运动目标进行检测，然后采用卡尔曼滤波算法对运动目标进行跟踪，最后对多个体育视频运动目标进行跟踪实验。结果表明，该方法可以准确、快速地对体育视频中的运动目标进行跟踪，而且运动目标跟踪的实时性要优于其他跟踪方法，为体育视频中的运动目标跟踪提供了一种新的研究工具。
关键词： 体育视频； 运动目标； 卡尔曼滤波算法； 背景更新差分法； 检测与跟踪
中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2017）19?0102?03
Research on intelligent tracking of moving objects in sports video
LIU Chen
（Wuhan Huaxia University of Technology， Wuhan 430070， China）
Abstract： Video moving target tracking is widely applied in the sports field. In order to improve the tracking accuracy of moving targets， an intelligent tracking method for moving targets in sports video is proposed. Sports videos are collected， the improved background update difference method is adopted to detect moving targets in view of the variability of moving targets in sports video， and then the Kalman filtering algorithm is adopted to track the moving targets. Finally， an experiment is carried out for tracking multiple moving targets in sports video. The results show that by using this method， the moving targets in sports video can be tracked accurately and quickly， and the real?time performance of moving target tracking is superior to that of other tracking methods. This method provides a new research means for tracking the moving targets in sports video.
Keywords： sports video； moving target； Kalman filtering algorithm； background update difference method； detection and tracking
0 引 言
随着我国体育事业的发展，各种大型体育赛事越来越多，出现了大量的体育视频[1]。对体育视频进行分析和研究，找到对方或者自身的不足，对制定训练计划和比赛方案具有重要的实际意义，而运动目标跟踪是体育视频分析的一个重要方面，引起了人们的高度关注[2?3]。
由于体育视频采集角度、光照变化等因素的干扰，体育视频目标跟踪面临巨大的挑战，当前体育视频目标跟踪算法可以划分为跟踪器的体育视频目标跟踪算法和检测器的体育视频目标跟踪算法两大类[4]。基于跟踪器的体育视频目标跟踪算法需要提取目标特征，经典特征主要有目标的轮廓、光流，该类算法要求运动目标始终可见，如果运动目标在视觉范围消除，那么就无法实现体育视频目标的准确跟踪，因此实际应用范围相对较窄[5?6]。基于体育视频目标跟踪算法根据滑动窗口对每一帧中的运动目标位置进行检测，由于需要进行离线学习，无法满足体育视频目标跟踪的實时性[7]。近年来，随着控制优化技术的不断发展，出现了背景差分法、粒子滤波算法、均值漂移算法的目标跟踪研究[8?10]，研究结果表明，它们提高了体育视频目标跟踪的准确性，但当运动目标的场景变化比较大时，体育视频目标跟踪效果急剧下降，跟踪鲁棒性差。
为了提高运动目标跟踪精度，提出一种体育视频中的运动目标智能跟踪方法。首先采用改进背景更新差分法对运动目标进行检测，然后采用卡尔曼滤波算法对运动目标进行跟踪，最后实验结果表明，该方法可以准确、快速地对体育视频中的运动目标进行跟踪，而且运动目标跟踪的实时性要优于其他跟踪方法。
1 体育视频运动目标智能跟踪算法
1.1 改进背景更新差分法
在体育视频运动目标跟踪建模过程中，首先要对视频中的运动目标进行检测，当前运动目标检测算法众多，相对于其他方法，背景更新差分法的运算量相对较小，检测速度更快，可以获得更好的运动目标检测效果，并结合体育视频运动目标的特点，对传统背景更新差分法进行相应的改进，以提高运动目标的准确性。
背景更新差分法首先对视频图像序列的相邻帧进行差分操作，在短时间内检测不同图像帧的像素强度变化，然后根据阈值对视频中的运动目标进行检测，其工作流程如图1所示。
设[St]和[St+n]为第[t]和[t+n]帧的图像，根据背景更新差分法的工作流程建立数学模型为：
[St=Bt（x，y）+V（x，y）+Nt（x，y）] （1）
[St+n=Bt+n（x，y）+V（x+Δx，y+Δy）+Nt+n（x，y）] （2）
式中：[Bt（x，y）]和[Bt+n（x，y）]为第[t，t+n]帧的背景；[V（x，y）]和[V（x+Δx，y+Δy）]为第[t，t+1]帧的运动目标；[Nt（x，y）]和[Nt+n（x，y）]为第[t，t+n]帧的噪声。
采用背景更新差分法得到第[t，t+n]帧的差分值[（ΔSt+n/t）]为：
[ΔSt+n/t=St+n-St=Bt+n（x，y）-Bt（x，y）+ V（x+Δx，y+Δy）-V（x，y）+Nt+n（x，y）-Nt（x，y）] （3）
式中：[Bt+n（x，y）-Bt（x，y）+V（x+Δx，y+Δy）-V（x，y）]为运动像素的强度；[Nt+n（x，y）-Nt（x，y）]为噪声的强度。
[K（x，y）]表示背景更新差分法的二值差分图像，那么可以得到：
[K（x，y）=1， ΔS≥T0， ΔS<t]
式中[T]表示阈值。
如果[K（x，y）=1，]表示视频中的目标处于运动状态；[K（x，y）=0，]表示目标处于静止状态。
针对传统背景更新差分法存在的不足，本文对其进行改进，基本思想为：对像素强度变化区域进行标记，并对背景进行相应的修正，然后根据累计差分自动更新背景，并根据光照幅度变化对参考背景进行补偿，最后实现背景实时更新，其工作流程如图2所示。
设[P（x，y）]表示改进背景更新差分法处理后的二值差分图像，则有：
[P（x，y）=0， ΔSt/t-1?ΔSt+n/t≠11， ΔSt/t-1?ΔSt+n/t=1] （5）
如果[P（x，y）=1，]表示该像素点处于运动区域；[P（x，y）=0，]表示该像素点处于背景运动区域，需要进行背景实时更新操作。用[St] 帧的像素换背景区域，实现背景像素的修正。
根据非零区域内的采样[Bm]和其他区域采样[Bn，]那么可以得到实时背景图像[B]为：
[B（x，y）=Bm（x，y）=St， P（x，y）=0Bn（x，y）， otherwise] （6）
将更新的背景图像[BM]描述为[B]和[Bm]的加权和，即有：
[BM（x，y）=σ×B（x，y）+（1-σ）×Bm（x，y）] （7）
式中[σ]为权值。
采用邻帧差分法选择帧[St+1]和[St]差分的平均值作为光照幅度的变化值，采用多个相邻帧差分的均值量化光照变化的幅度，这样帧[St+1]和[St]的光照幅度变化值[CBt+1/t]可以描述为：
[CBt+1/t=k=1MSt+1（x，y）-St（x，y）M] （8）
当光照强度变化超过阈值时，就实现光照补偿，得到更新后的背景图像为：
[B′M（x，y）=σB（x，y）+（1-σ）Bm（x，y）+CBt+1/t， CBt+1/t>TSBm（x，y）， otherwise] （9）
1.2 卡尔曼滤波的运动目标跟踪
改进背景更新差分法对运动目标进行检测，选择卡尔曼滤波算法对运动目标进行跟蹤。[Xk]为第[k]时刻的运动目标矢量，[Zk]代表系统观测矢量，那么运动目标状态和观测方程分别为：
[Xk+1=Ak+1/kXk+wk] （10）
[Zk=HkXk+vk] （11）
式中：[Ak+1/k]为从[k]到[k+1]时刻的状态转移矩阵；[wk]为随机噪声矢量；[Hk]为观测矩阵；[vk]为观测噪声矢量。
采用卡尔曼滤波算法对运动目标进行估计，估计准则为：
[J[Xk]=J[Xk-Xk]=E[XkXTk]=min] （12）
式中[Xk]是[Xk]的无偏估计。
先验估计的运动目标矢量预测和协方差方程分别为：
[X′k+1=Ak+1Xk] （13）
[P′k+1=Ak+1PkATk+1+Qk] （14）
卡尔曼滤波算法的增益矩阵计算公式为：
[Kk=P′kHTk（HkP′kHTk+Rk）-1] （15）
后验估计的运动目标矢量更新方程和协方差更新方程分别为：
[Xk=X′k+Kk（Zk-HkX′k）] （16）
[Pk=（I-KkHk）P′k] （17）
式中：[X′k+1]为先验估计的运动目标；[P′k+1]为先验估计的误差方差矩阵；[Pk+1]为最优估计的误差方差矩阵；[Kk]为最优估计的系数矩阵；[Xk+1]为运动目标的最优估计。
2 体育视频运动目标智能跟踪的性能测试
2.1 测试平台
在Intel[?] 4 核酷睿 3.0 GHz CPU，32 GB 内存，Win7操作系统的个体计算机，选择Matlab 2012R仿真工具箱对体育视频运动目标智能跟踪算法进行仿真测试，选择当前经典运动目标智能跟踪算法——均值漂移算法和粒子滤波算法进行对比实验，以验证本文方法的优越性。
2.2 普通视频的性能分析
选择一个普通视频对智能跟踪算法的性能进行分析，所有算法的运动目标跟踪结果如图3所示。
分析图3可知：
（1） 在所有算法中，均值漂移算法的运动目标跟踪结果效果最差，而且实际运动目标位置偏离很大，无法对运动目标进行准确跟踪，没有什么实际应用价值。
（2） 相对于均值漂移算法，粒子滤波算法的运动目标跟踪结果得到了相应的改善，提高了运动目标跟踪精度，这是因为粒子滤波算法具有对运动目标跟踪的动态性，可以不停调整跟踪轨迹，得到比较理想的运动目标跟踪效果。
（3） 本文算法的视频目标跟踪效果要明显优于对比算法的视频跟踪效果，这是由于本文算法充分利用了背景更新差分法和卡尔曼滤波算法的优点，可以对视频中的运动目标进行准确检测，从而实现运动目标高精度跟踪，克服了对比算法存在的不足，获得了最优的运动目标跟踪结果。
2.3 体育视频的性能分析
选择多个体育视频运动目标进行跟踪测试，结果如图4所示。从图4可知，本文算法的体育视频运动目标跟踪效果要远远好于对比算法的跟踪结果，具有更好的跟踪精度，而且适应环境的能力更强。
2.4 目标跟踪的实时性分析
速度在视频运动目标跟踪的应用中十分关键，是一个经常衡量视频运动目标跟踪性能的重要指标，选择运动目标跟踪时间分析算法的目标跟踪实时性，即跟踪速度，不同类型的体育视频运动目标平均跟踪时间见图5。
由图5可知，本文方法的平均跟踪时间最少，其次是粒子滤波算法，最多为均值漂移算法，对比结果表明，本文算法获得了更快的体育视频运动目标跟踪速度，具有更优的运动目标跟踪实时性。
3 结 语
目标跟踪是体育视频分析和研究中的一个重要方向，为了更好地给体育训练和比赛提供有价值的参考信息，针对当前体育视频中的运动目标跟踪算法存在的缺陷，设计了一种体育视频运动目标的智能跟踪算法，并选择多个数据进行了验证性测试。测试结果表明，该方法结合背景更新差分法和卡尔曼滤波算法的优点，不仅获得了较高精度的运动目标跟踪结果，而且运动目标跟踪速度可以满足体育视频分析的实时性要求。
参考文献
[1] 王亮，胡卫明，谭铁牛.人运动的视觉分析综述[J].计算机学报，2002，25（3）：225?237.
[2] 王兆其，张勇东，夏时洪.体育训练三维人体运动模拟与视频分析系统[J].计算机研究与发展，2005，42（2）：344?352.
[3] 张文杰，戚飞虎，江卓军.实时视频监控系统中运动目标检测和跟踪的一种实用方法[J].上海交通大学学报，2002，36（12）：1837?1840.
[4] 赵骥，冯闯，邵富群，等.基于自适应帧差和水平集的运动目标检测和分割[J].信息与控制，2012，41（2）：153?158.
[5] 陈文俊，张定会，王少宾.一种改进的背景差分模型视频图像分割方法[J].微计算机信息，2010，26（10）：206?207.
[6] 张龙飞，曹元大，张明杰，等.体育视频中的对象检测与分割[J].计算机工程，2006，32（3）：229?231.
[7] 徐哈，肖慧，侯宏录.体育视频序列中基于IMM的运动目标跟踪算法[J].中国图象图形学报，2009，14（5）：920?924.
[8] 赵冠华，冯晓毅，王虎，等.结合对称差分法和背景减法的目标检测方法[J].计算机工程与应用，2010，46（3）：145?147.
[9] 林洪文，涂丹，李国辉.基于统计背景模型的运动目标检测方法[J].计算机工程，2003，29（16）：97?99.
[10] 邓庆林，刘海华，吴良健.一种基于分水岭和区域合并的视频对象分割算法[J].现代科学仪器，2010，7（1）：34?38.
