多視頻運動對象實時分割及跟蹤技術(shù)

1、1632浙江大學學報（工學版）第42卷DOI :10. 3785/j. issn. 10082973X. 2008. 09. 030多視頻運動對象實時分割及跟蹤技術(shù)孫志海，朱善安（浙江大學電氣工程學院，浙江杭州310027 ）摘要：利用幀間差異積累信息進行自適應背景建模,采用背景差的方法檢測視頻運動對象區(qū)域.設(shè)計了一種變系數(shù)的空域濾波器，有效地對背景差圖像進行了增強，使獲得的視頻運動對象區(qū)域更具有空域連通特性.給岀了一種改進的基于 Otsu法的自適應閾值化方法，能更準確地對背景差圖像進行閾值化.采用形態(tài)學邊界提取技術(shù)對視頻運動對象輪廓進行提取.在獲得視頻運動對象輪廓的基礎(chǔ)上，用區(qū)域生長法對視頻

2、運動對象進行定位，將矩形中心坐標視為視頻運動對象的質(zhì)心坐標.用基于空間歐氏距離最短的方法對每個視頻運動對象質(zhì)心進行關(guān)聯(lián)跟蹤并繪制軌跡.試驗結(jié)果表明，該方法實時有效.關(guān)鍵詞：運動對象分割；運動對象跟蹤；差異積累；空域濾波；背景更新中圖分類號：TP391. 41文獻標識碼：A文章編號：10082973X (2008 ) 0921631 205Real2time segmentation and trackingtechnique of multiplemoving objects in video sequeneeSUN Zhi2hai , ZHU Shan2an(College of Elect

3、 rical Engineering , Zhej iang Universit y, H angz hou 310027 , China)Abstract : Effective background was modeled by accumulative f rame2to2frame differences , and foregro und could be ext racted using backgro und subtract ion operati on. A variable coefficie nt spatial filter was prese n2 ted , whi

4、ch could effectively enhance the background subtraction image and make the foreground region has much more spatial connectivity. An improved Otsu2based segmentation method was presented to accurately threshold the backgro und differe nee image. Morp hological operati on was used in extract ing con t

5、ours of movi ng object s. After getti ng the c on tours of movi ng object s , region grow ing segme ntati on method was applied to locate the foreground region , and the rectangle centre was seenas the mass centre of t he moving object s. Moving object s were tracked using minimal Euclidean distanee

6、 and the motion trajectories were also pain ted. Experime ntal result s showed that p roposed algorit hm was effective and efficie nt.Key words : moving object segmentation ; moving o bject tracking ; difference accumulation ; spatial filte 2 ring ; background update1994-2010 China Academic Journal

7、Electronic Publishing House. All rights reserved. 1632浙江大學學報（工學版）第42卷1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 1632浙江大學學報（工學版）第42卷收稿日期：2007204227.浙江大學學報（工學版）網(wǎng)址：www. journals. zju. edu. cn/ eng作者簡介：孫志海（1981 -）,男，福建漳州人，博士生，主要從事視頻運動對象分割的研究.E2mail :eeszh 163. com

8、通訊聯(lián)系人:朱善安,男，教授，博導.E2mail :zsa cee. zju. edu. cn視頻運動對象分割及跟蹤處于整個視覺監(jiān)視系 統(tǒng)的最底層，是各種后續(xù)高級處理如視頻分析1視頻編碼2、視頻檢索3以及視頻監(jiān)控4等的基礎(chǔ) 運動對象分割是指從視頻流中實時提取出運動對 象，而運動對象跟蹤則是指對目標進行連續(xù)的跟蹤 以確定其運動軌跡.盡管文獻57報道了有關(guān)視頻運動對象分割的算法，但視頻運動對象自動分割 的問題還沒完全解決.實時自動分割視頻語義對象 的難點有：對復雜場景快速準確的背景建模；環(huán)境變化及噪聲影響算法的魯棒性；算法通用性差，復雜 的分割算法滿足不了應用的實時性要求；多運動對象的分割及跟蹤6

9、?7對分割算法提出了更高的要求 .Bail。等人8從算法實時性角度出發(fā)，利用高斯分布特性構(gòu)建自適應背景更新模型，實現(xiàn)了對視頻運動對象的分割，此類算法需要估計鏡頭噪聲或靜止 背景中由噪聲所引起的方差，算法自適應程度較不理想.Yang等人9利用視頻像素水平及幀水平特 性有選擇地更新背景模型，然后采用形態(tài)學后處理 方法對視頻運動對象進行分割，該算法對圖像 RGB顏色空間的三維數(shù)據(jù)均進行了處理，當視頻窗口變大時，算法處理速度成倍下降，影響實時性.Chen等人10提出了一種采用背景記錄技術(shù)恢 復背景區(qū)域，結(jié)合背景差和鄰幀差信息分割視頻運 動對象的算法，該算法如果沒有準確的前景物體分 割，背景記錄技術(shù)得到

10、的背景信息則不可靠，反而影響了下一幀運動對象分割的準確性.本文結(jié)合實際視頻運動對象的特點，針對實際拍攝的交通視頻系列，給出了一種多視頻運動對象 實時分割及跟蹤技術(shù)1分割及跟蹤技術(shù)框架多視頻運動對象實時分割及跟蹤的技術(shù)框架如III 圖1所示.主要有5部分：自適應背景建模;空域濾 波、輪廓提??；目標定位、質(zhì)心標記；運動對象質(zhì)心關(guān) 聯(lián);軌跡繪制利用每隔一段時間內(nèi)每個像素的幀間積累差異 信息自適應建立背景模型，利用背景差技術(shù)檢測出運動物體區(qū)域；根據(jù)背景差圖像的特點，設(shè)計了一種變系數(shù)的空域濾波器，結(jié)合形態(tài)學處理的方法對背景差圖像進行空域濾波并提取出視頻運動對象輪 廓;采用區(qū)域生長法對視頻運動對象進行定位

11、和質(zhì) 心標記；在視頻運動對象分割的基礎(chǔ)上，利用運動對象質(zhì)心建立視頻運動對象幀間向量，并比較運動對象的幀間向量模值，對視頻運動對象質(zhì)心進行關(guān) 聯(lián)跟蹤及軌跡繪制2視頻運動對象分割2.1自適應背景建模設(shè)有M幀視頻序列f （ x，y，t1），f （ x，y，t2），f （x，y，tM），取f （ x，y，t1）為基準圖像，則一幅 差異積累圖像是由將基準圖像和視頻序列后續(xù)圖像 進行對比得到的11.當基準圖像和序列中圖像之 間在某個像素位置上出現(xiàn)一次較小差異就令計數(shù)器 計數(shù)一次，這種計數(shù)器在差異積累圖像每個像素的 位置上都有一個當?shù)趉幀圖像與基準圖像相比較前疑提咆Du Dlt D空域濾波圖1多視頻運動對象

12、實時分割及跟蹤技術(shù)框架Fig. 1 Frame of real2time segmentation and tracking tech 2 nique of multiple moving objects in video sequence時，差異積累圖像中一個給定像素的輸入項給出在 此位置上對應的像素與基準圖像中同一位置的像素 間灰度級變化的次數(shù)隨著時間的更新，差異積累 圖像可視為一個像素值在動態(tài)更新的矩陣D（x，y，tk），差異大小是根據(jù)某閾值Tf設(shè)定好的.如取第k- r幀圖像f（x，y，tk-r）為求取差異積累圖像的參 考幀，則當前幀f（x，y，tk）與參考幀f（x，y，tk-r） 之間

13、的差異圖像F（x，y，tY ）以及差異積累動態(tài)矩陣D（x，y，tk）分別如式（1）、（2） 所示，通過分析差 異積累動態(tài)矩陣來決定某像素屬于前景或背景：,、f 1;| f （x，y，tk） - f（x，y，tk- r）| > Tf，F(xiàn)（x，y，tY）= o,其他，（1） 廣D（ x，y，tk- i） + 1，F(xiàn)（x，y，tY）= D（x，y，tk） =0，D （x，y，tk- 1） < 入，（2）.0,其他.式（2）表示當某位置像素的幀間差異較小時，使D（ x，y，tk）加1，否則D （ x，y，tk）賦值為0，表示該 像素的幀間差異比較大 ，入記錄每個像素差異積累1994-201

14、0 China Academic Journal Electronic Publishing House. All rights reserved. 1634浙江大學學報(工學版)第42卷的深度.設(shè)當前背景的更新模型為 B (x , y , tk),則 當D(x,y,tk)積累至入值時(其中入>0),相應位置 的背景像素值可根據(jù)式 (3)進行自適應更新 ，對 D(x,y,tk)為0的點則不更新背景像素值 ，保持原 背景像素值不變.B(x,y,tk) = a ? f (x , y, tk) + (1 - a) ? B (x , y , tk- 1)(3) 式中：系數(shù)a影響著背景緩存平滑濾波

15、的程度及更 新的速度，a取值區(qū)間為0,1.根據(jù)經(jīng)驗，取值在 0.05,0.1區(qū)間時背景更新效果較好.一般以獲取 的第一幀圖像作為初始背景.2.2變系數(shù)空域濾波根據(jù)背景差技術(shù)可以快速地區(qū)分前景(視頻運動對象)和背景區(qū)域的特點，將當前幀f (x,y ,tk)與 更新所得背景B(x,y,tk )相減得背景差圖，記為Bd (x , y , tk) = | f (x , y, tk) - B( x, y ,tk) | . (4) 從試驗結(jié)果來看，如果直接對Bd(x,y,tk)進行 二值化操作，所獲得的視頻對象平面大多具有空域 不完整特性，所以需對背景差圖像進行空域濾波 ， 使視頻對象平面保持空域連通性.

16、常見空域濾波器 有均值濾波器、中值濾波器及拉普拉斯濾波器等 ， 但這些濾波器均有其各自的適用場合 ，直接采用某 種濾波器對背景差圖像進行濾波并不一定能獲得理 想的效果.建立在對以上這幾種濾波器濾波效果分 析的基礎(chǔ)上，本文給出了一種新型的變系數(shù)空域濾 波器(variable coefficient spatial filter , VCSF)掩 模.考慮有意義掩模的最小尺寸為3 X3,圖2顯示了變系數(shù)空域濾波器掩模的兩種形式 ，其中w為待 整定的系數(shù)，取值為w >1,當w = 1時，該濾波器 即還原為常規(guī)的均值濾波器.JiL工99w99flhi'酉kF99T圖23 X3變系數(shù)空域濾

17、波器掩模Fig. 2 Mask of 3 X3 variable coefficient spatial filter給出的這種變系數(shù)空域濾波器，建立在均值濾 波器濾波原理的基礎(chǔ)上，調(diào)整掩模系數(shù)，以適應對 不同圖像的增強.該濾波器可以理解為均值濾波器 和變斜率灰度線性算子先后聯(lián)合操作的過程，即經(jīng)過變系數(shù)空域濾波器增強的圖像，不但帶有均值濾 波器的平滑效果，而且還具有局部區(qū)域的灰度增強 特性.從試驗的效果來看，給出的這種濾波器掩模形式很適用于對背景差圖像的濾波.在使用濾波器之前需先整定w值，這里w的整定可采用兩種方法：一是直接觀察對應系數(shù)濾波 圖像閾值化后的效果；二是根據(jù)最大類間方差的原 理，比

18、較不同w系數(shù)下濾波圖像在特定閾值下的類 間方差12,從而整定w值.圖3為對MA TLAB提供的Viptraffic視頻測 試序列(160 X120 , 15幀/s)的第68幀圖像采用不 同空域濾波器及閾值化后的效果示意圖.為了更有效地進行比較，所選擇的視頻幀里含有一輛黑色的 車輛，其與背景的對比度明顯不如視窗里的白色車 輛從圖3(d)可以看出，直接對第68幀的背景差 圖像進行閾值化，其運動對象平面內(nèi)部存在比較多 的空洞，特別是黑色車輛，這將直接影響視頻運動 對象下一步的分割定位；在圖3(e)中，由于均值濾 波器的平滑效果，視頻運動對象即三輛小車的內(nèi)部 空洞面積相比圖3(d)有所減??；從圖3(f

19、)可看出復 合拉普拉斯濾波操作不但沒有減少空洞區(qū)域，反而增加了背景差圖像的高頻分量；圖3(g)則為采用VCSF濾波器的效果，其視頻運動對象的空域連通 性對進一步分割定位非常有利.圖4給出了對Vipt raffic視頻測試序列第 68幀 背景差圖像采用變系數(shù)空域濾波器時，不同系數(shù)值及其對應的最大類間方差比值 曲線.圖4中當go求廈哦thHY誥植劃w)廿氐書閾値化 2均值濾彼If) 4'f.if拉斯腮謹VCSFfifi波團 第林 幀不同方式濾遞及闌憤代效果示竄圖Fig, 3 rjiffcrmi fiberinji 界rwl ihn?啊huhL resullH of frame 68 ih圖

20、4 不同垂散值及所對應巔大類間方茸比値曲壤卜 |真，4 I hffrrrnC vcm FfifiL'trl nnd Ks corri sjHiriding 耳Imum vhrinnec r.：Lia curvesw/9 = 0. 21時的濾波效果如圖3(g)所示，但當 w/9 >0.22時,會造成過分割問題,即分割結(jié)果出 現(xiàn)大面積的前景區(qū)域而造成誤分割.2.3自適應閾值化及輪廓提取對經(jīng)過空域濾波后的背景差圖像采用自適應閾 值算法，即可快速地分割出視頻運動對象.基于Otsu閾值化算法的原理 '，在分析常規(guī)Otsu法當 分割目標與背景灰度差異不明顯時，會造成誤分割的基礎(chǔ)上，提

21、出了一種增強的Otsu法，常規(guī)Otsu法的原理可參閱文獻12.設(shè)由常規(guī)Otsu法求得的當前濾波后背景差幀 的最優(yōu)二值化閾值為To k ,定義增強的Ot su法最優(yōu)二值化閾值為 Tk,則Tk可表示為ToA Tok < £ ? ToA ;Tk=”，(5)I Tok,其他.式中：2T°k = arg 罔?為(° ( Tki),Toa = k£Tk/B;B = k- 1 ,B > 1 ,即Toa為前k- 1個Tk值的非零最優(yōu)二值化閾值的 均值，當B =0時，Toa需設(shè)為適當?shù)某跏奸撝?#163;為一個權(quán)系數(shù)，經(jīng)驗值區(qū)間為0.5,1.圖3(d)(g)

22、所示的二值圖均為采用該閾值化方法的效果對閾值化后的圖像采用適當?shù)男螒B(tài)學腐蝕及膨 脹操作，可以使視頻運動對象平面更具有空域連通 性.再結(jié)合形態(tài)學邊界提取的方法，即可提取出視頻運動對象的輪廓.輪廓提取算法描述如下：設(shè)閾值化后的二值圖像可表示為集合F,集合F運動對象的輪廓表示為 B( F),則B( F)可先由B 對F腐蝕，然后用F減去腐蝕得到，見式(6):3( F) = F- ( FB) ,(6)式中：B是一個適當?shù)慕Y(jié)構(gòu)元素，為腐蝕算子. 2.4目標定位及質(zhì)心標記有點類似分水嶺思想的區(qū)域生長法是一種圖像 分割算法，其基本原理是將有相似性質(zhì)的像素集合 起來構(gòu)成區(qū)域.具體地講，是先對每個需要分割的 區(qū)域

23、找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像 素合并到種子像素所在的區(qū)域中.運動對象定位就是用包含運動對象的最小矩形框?qū)ο罂蚱饋?確定對象的位置，即將一幅圖像分割成為有意義的區(qū) 域，并確定區(qū)域間的坐標關(guān)系及位置.基于區(qū)域生 長法的原理，采用兩步區(qū)域生長法的迭代思想，實現(xiàn)了視頻運動對象的準確分割定位.設(shè)第i個運動對象外接矩形框4個頂點的坐標點分別表示為 (xq , ye)、( xi0 , yi1) > ( xi1 , yQ)、x” , yi1),記第i個運動對象的質(zhì)心為(xi ,yi).為保證算法的實時性，直接將運動對象外接矩形的中心標 記為運動對

24、象的質(zhì)心，運動對象外接矩形坐標示意 圖和質(zhì)心表達式分別如圖5和式(7) 所示.圖5運動對象外接矩形坐標示意圖Fig. 5 Coordinates of enclosing rectangle of moving objects3視頻運動對象跟蹤，屮 I 'l>''|i'Af目標跟蹤算法常常用卡爾曼濾波器作為目標狀態(tài)估計器，粒子濾波器、Mean Shift及基于Snake 的跟蹤算法等逐步被用于運動對象跟蹤.然而，這幾種跟蹤方法需要大量的運算，特別是在應用于多 目標跟蹤時，不利于實時處理；受制于算法的數(shù)學 特性，這些算法也較難移植或應用到嵌入式領(lǐng)域.建立在分

25、割的基礎(chǔ)上，根據(jù)待測試視頻序列的特點，從算法實時性角度出發(fā)，采用空間歐氏距離最 短的方法，判斷鄰幀運動對象是否為同一對象，進而完成時域視頻運動對象的關(guān)聯(lián)跟蹤.跟蹤算法描述如下：在多數(shù)情況下，視頻序列第k幀與第k - 1幀 中同一視頻運動對象質(zhì)心的歐氏距離最短，根據(jù)該特點實現(xiàn)對視頻運動對象的跟蹤.設(shè)當前視頻幀為 第k幀，并含有N k個視頻運動對象，記Z (k)= (zix,ziy)為第k幀第i個運動對象的質(zhì)心坐標向量，其中i =1 ,2,Nk.如果第k- 1幀中含有Nk- 1個 視頻運動對象，則第k幀中的某個視頻運動對象質(zhì) 心Zi (k)與第k- 1幀中Nk-1個視頻運動對象質(zhì)心 間最短的歐氏距

26、離dijmin可表示為式(8),其中j =1 ,2,N:du min = arg jmin II Zi (k) - Zj (k- 1) II ,(8)則dijmin所對應的第k - 1幀Nk-1個視頻運動對象中 的第j個運動對象質(zhì)心向量Zj ( k - 1)與Zi (k)關(guān)聯(lián)，實現(xiàn)了對第k幀視頻運動對象i質(zhì)心坐標的跟 蹤關(guān)聯(lián).當Zi(k)中的i從1變化到N k時，即可在 第k- 1幀的Nk-1個視頻運動對象中找到相應的關(guān)1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 第9期孫志

27、海，等：多視頻運動對象實時分割及跟蹤技術(shù)1635聯(lián)，從而實現(xiàn)對兩幀之間同一視頻運動對象的跟蹤.這里還需要考慮當N k大于、小于和等于N k- i的情況.如果假設(shè)每幀只有一個視頻運動對象進入 或離開視頻窗口 ，則當Nk等于(Nk-i+1)時，說明 第k幀有新對象進入;當Nk等于(Nk- i - 1)時，說 明第k幀有老對象離開；當Nk等于Nk-i時，說明 第k幀沒有運動對象進入或離開.這3種情況在算 法實現(xiàn)時需分別進行考慮，以自動地創(chuàng)建、釋放及保持跟蹤器資源，保證每個視頻運動對象均有對應 的跟蹤器，從而實現(xiàn)自適應地對每個視頻運動對象 進行跟蹤.視頻運動對象，分別標記為 A、B、C、D、E、F、G

28、、H, 實際運動對象的運動軌跡是一系列點，為了更直觀，程序里面設(shè)計了兩點之間的線連接；圖6(f)即第81幀里面的A、B、C、D、E為第68幀的相應視頻 運動對象,I、J則為新進入窗口的運動對象，而第68幀里的H和F已在第81幀之前離開了視頻窗口 .圖 7示意了 Highway第110160幀之間視頻對象的運 動軌跡.4實驗結(jié)果及分析 車車犒20-1弭】蜩 車輛 4( 110-127) *HO- IS3) HOdOO)為測試算法的實際分割及跟蹤效果，采用VC+ + 6. 0 開發(fā)環(huán)境,在 Windows XP SP2、CPU 為 Celeron 2. 4 GHz ,內(nèi)存為 512 MB的PC機上

29、對 Highway (320 X240 , 15幀/ s)的500幀視頻測試序 列進行了分割及跟蹤試驗，視頻序列來源于ht2圖7 Highway第110160幀之間視頻對象運動軌跡Fig. 7 Trochoid of video moving objects betweenframe110 and frame 160 in Highway sequencetp :/ / cvrr. ucsd. edu/aton/ shadow ,每幀處理的平 均耗時為46. 6 ms ,即每秒可以處理24. 5幀，完全 可以滿足實時處理的要求，圖6是對視頻運動對象即車輛的分割及跟蹤效果.圖6(c)、(d)為提

30、取出來 的視頻運動對象輪廓，圖6(e)、(f)為對視頻運動對 象的定位、跟蹤及軌跡繪制的效果.圖6(e)有8個(鮎第砧慟奴度圖(帕聲期袖黨度圖4討第陰袖運助對象輪邯(川幕和込動對繰輪耶1J1第佔愉運諭對象 (0淞嗽運動對啟給出了一種多視頻運動對象實時分割及跟蹤方 案.該方案在背景建模方面采用的是差異積累的方 法，建立的背景模型自適應程度高，且算法易于實現(xiàn).該方案中給出的變系數(shù)空域濾波器，在調(diào)整好合適系數(shù)的條件下，可以較好地對背景差圖像進行 增強，以獲得空域連通特性更好的視頻運動對象平 面.在閾值化問題上，考慮到當分割目標與背景灰 度差異不明顯時，會造成誤分割的情況，提出了一種增強的閾值化方法.

31、建立在分割的基礎(chǔ)上，利用 空間歐氏距離最短的方法對視頻運動對象質(zhì)心進行 關(guān)聯(lián)跟蹤及軌跡繪制，該跟蹤方法不適用于運動對 象質(zhì)心距離很近的情況.在整個方案中沒有對陰影 存在的情況進行考慮，故該方案比較適用于陰影影 響較小的場合.可用于如車輛的運動跟蹤、車流統(tǒng) 計及交通控制等方面的應用.總之，該算法實現(xiàn)容 易、具有良好的實時性，特別適用于大小適中的剛 性視頻運動對象的檢測和跟蹤.參考文獻(References):1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 第9期孫志海，等：多視頻

32、運動對象實時分割及跟蹤技術(shù)16351994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 第9期孫志海，等：多視頻運動對象實時分割及跟蹤技術(shù)1635圖6多視頻運動對象實時分割及跟蹤效果示意圖Fig. 6Real2time segmentation and tracking technique ofmultiple moving objects in video sequence1 FORESTI G L. Object recognition and tracking for remo

33、te video surveillance J . IEEE Transactions on Circuits and Systems , 1999, 9(7) : 104521062 .(下轉(zhuǎn)第1660頁)1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 1660浙江大學學報（工學版）第42卷1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. 1660浙江大學學報（

34、工學版）第42卷32Oligonucleotide Array Data : Background , Normaliza 2 tion and Summarization D . Berkeley : University ofCalifornia , 2004.ROCKE D M , DU RBIN error for gene expression putatidBialogB. A model for measurement arrays J . JouriofiDom 8(6) :557 2569.33 HUB ER W , H EYDEBREC K A V , SU EL TMAN

35、NH ,et al. Parameter estimation for the calibration and34ures J . BioinfolriiCE004,20(3) 323 331 .36 IRIZARR Y R A , WU Z J, JAFFEE HA. Comparisonof Affymetrix GeneChip expression measures J . Bioiniailrcs06,22(7)：789 2794.37 IRIZARR Y R A , BOL STAD B M , COLL IN F ,et al.Summaries of Affymetrix Ge

36、neChip probe level data j . NuclACides2005 ,31 (4) : e15.38 variance stabilization of microarray data J . Statistical ApplicatiOilne1anlMlolecBldrog 加,2(1) : Article3.FREUDENB ER GJ M. Comparison of background cor 239STEFFEN D , YV ES M , AREK K,et al. BioMart andBioconductor : a powerf ul link betw

37、een biological data 2 bases and microarray data analysis J . Bioi nfotims 2005 £1(16)：343923440 .Textual description of affydata. Vignette EB/ OL .rection and normalization procedures for high 2density oligonucleotide microarrays R. Leipzig , Germany : Interdisciplinary Centre for Bioinformatic

38、s ,2005.35 COPE L M , IRIZARR Y R A , JAFFEE H A , et al. A benchmark for affymetrix genechip expression meas22007208208 . http : /www. bioconductor. org/ reposi 2tory/ devel/ vignette/ affydata. pdf40IHA KA R , GEN TL EMAN R R. A language for dataanalysis and graphics J .JComGOpStal996,5 ( 3) :2992

39、314.（上接第 16352PORIK L I F. Real2time video object segmentation forComputer Society , 2006 , 1 : 8282831.MPEG encoded video sequences C / SPIConferenGeBA ILO G, BARIAN I M , IJAS P, et al. Background orfeaTimteagirigHI San Jose : s. n. , 2004 ,5297 :195 2203.34KIM C , HWAN G J N. Fast and automatic v

40、ideo object, Isegmentation and tracking for content 2based applicationsj. IEEEarsacddCSclalSBystems, 12(2) ：1222129 .NASCIM EN TO J C , MARQU ES J S. Performanceestimation with gaussian distribution for image segmen2 tation , a fast approach C / ProceedftigsOOS IEE lnterratidnldrlksdrM easureSyendms forhomelaSiBcuritiyo :Contraband Detectionand Personal Safety Workshop , 2005 :225.9 YAN G Tao , L I S Z , PAN Quan , et al. Real2time and56