基于轨迹坐标的异常行为检测

基于轨迹坐标的异常行为检测　基于轨迹坐标的异常行为检测　Ａｂｎｏｒｍａｌ　Ｂｅｈａｖｉｏｒ　Ｄｅｔｅｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｔｒａｊｅｃｔｏｒｙ　Ｃｏｏｒｄｉｎａｔｅ　刘　超　费树岷　（东南大学自动化学院，江苏南京２１００９６）　摘要：实现了一种在监控视频下检测跟踪行人，并对其轨迹进行分析，检测出是否有徘徊等行为的算法。首先，采用　ＶｌＢＥ算法进行背景建模，检测出运动物体。然后，在获取运动目标后对其进行Ｋａｌｍａｎ跟踪，并利用匈牙利算法对运动目标　进行匹配，完成多目标跟踪。获得跟踪轨迹后，分剐提取跟踪轨迹的横纵坐标。最后，以时间为横轴，轨迹的横纵坐标为纵轴，　对其进行曲线拟合，进行优化，并计算运动轨迹的极大值与极小值，以及在波动图下的极值出现的次数，达到一定的条件后　即可判定徘徊行为。该方法只需计算运动目标的轨迹，无需建立样本库，实验证明了该方法的有效性、实时性。　关键词：徘徊行为，异常检测，背景建模，ｋａｌｍａｎ滤波　Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｉｍｐｌｅｍｅｎｔｓ　ａ　ｍｅｔｈｏｄ　ｆｏｒ　ｄｅｔｅｃｔｉｎｇ　ａｎｄ　ｔｒａｃｋｉｎｇ　ｈｕｍａｎ　ｂｙ　ｓｕｒｖｅｉｌｌａｎｃｅ　ｖｉｄｅｏ．ａｎａｌｙｚｉｎｇ　ｉｔｓ　ｔｒａｊｅｃｔｏｒｙ　ａｎｄ　ｄｅｔｅｃｔｉｎｇ　ｗｈｅｔｈｅｒ　ｔｈｅｒｅ　ｉｓ　ａ　ｗａｎｄｅｒｉｎｇ　ｂｅｈａｖｉｏｒ．Ｆｉｒｓｔ　ｉｔ　ｕｓｅｓ　ＶＩＢＥ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｂｕｉｌｄ　ｂａｃｋｇｒｏｕｎｄ　ｍｏｄｅｌ，ｔｏ　ｄｅｔｅｃｔ　ｍｏｖ—　ｉｎｇ　ｔａｒｇｅｔｓ，ａｎｄ　ｃａｎ　ｕｓｅ　Ｋａｌｍａｎ　ｆｉｌｔｅｒ　ｔｏ　ｔｒａｃｋ　ｔｈｅｓｅ　ｔａｒｇｅｔｓ，ａｎｄ　ｕｓｅ　ｔｈｅ　Ｈｕｎｇａｒｉａｎ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｍａｔｃｈ　ｍｕｌｔｉ—ｔａｒｇｅｔｓ　ｔｒａｃｋｉｎｇ，　ａｆｔｅｒ　ｇｅｔｔｉｎｇ　ｔｈｅｓｅ　ｔｒａｊｅｃｔｏｒｉｅｓ，ａｎｄ　ｅｘｔｒａｃｔ　ｔｈｅｉｒ　ｖｅｒｔｉｃａ１．ｈｏｒｉｚｏｎｔａｌ　ｃｏｏｒｄｉｎａｔｅｓ．　Ｋｅｙｗｏｒｄｓ：ｗａｎｄｅｒｉｎｇ　ｂｅｈａｖｉｏｒ，ａｂｎｏｒｍａｌ　ｄｅｔｅｃｔｉｏｎ，ｂａｃｋｇｒｏｕｎｄ　ｍｏｄｅｌ，ｋａｌｍａｎ　ｆｉｌｔｅｒ　随着科技不断的进步，人工智能领域也越来越来受到人们的　种效率很高的递归器。故Ｋａｌｍａｎ滤波器经常被广泛的用在雷　达跟踪、卫星导航、计算机视觉等工业，军事领域中。基于　Ｋａｌｍａｎ实质，他的假设由以下三个部分组成：　１）被建模的系统是线性的；　２）影响测量的噪声属于白噪声；　３）噪声本质上是高斯分布的。　故可以在以上假设的前提下，定义系统的状态差分方程和　观察方程：　重视，计算机视觉中的视频分析技术也取得了重大的突破。监控　视频能够在无需人员监视的情况下即可检测，跟踪运动目标并发　出警报。这些技术随着科技的进步将会逐渐取代传统的监控手　段，因此会节省了大量的人力和物力。为了提高监视区域的公共　安全性，对区域内的行为进行防范，国内外已经有很多学者对异　常行为进行研究［１－２］０例如徘徊行为，可以定义为在某一个区域内，　运动物体在做无规则运动或者不问断的往复运动。目前很多的学　者都在对监控视频序列的徘徊进行研究，文献［３］利用贝叶斯表　状态差分方程：　一，＋ＢＵｋ＿，＋　（１）　（２）　征跟踪器，对行人的特征进行建模，形成一个候选行人数据库，然　后根据保存的时间戳，判断行人行为是否属于徘徊行为。文献［４］　提出了一种基于目标在监控区域内总移动距离和滞留时间的徘　观测方程：　＝（７一　Ｈ）　其中×是系统的状态变量，大小为ｎ￥１，Ａ为传递矩阵，大　小为ｎ％ｎ。Ｕ为允许外部控制施加，Ｂ是将输入转换为状态的　矩阵，大小为ｎ　ｋ，随机变量Ｗ为系统噪声，具有高斯分布。将　徊检测方法，若移动的距离和时间超过了一定的值，那么就能判　定为徘徊行为。本文提出了一种基于正交轨迹的徘徊运动检测算　法，通过对轨迹曲线的是否异常来判断是否有异常行为的发生。　１检测与跟踪　时间Ｋ的状态描述推广为时间ｋ一１的状态的函数，这就是先验　估计。一般来说，对于直接测量出来的Ｘ，由于测量中也会存在　噪声误差，在很大程度上，很难将Ｘ直接对等于测量值Ｚ，从上　为了要对行人的运动轨迹进行描绘，需要在监控视频的图　像中找到运动物体并进行跟踪，这首先就是准确地检测出每一　个运动物体，即将视频中的前景与背景相分离，同时也需要对那　些无效的前景进行筛选，使得我们能够对有效的前景进行跟踪。　１．１　ＶｌＢＥ背景建模　可知道观测方程中Ｖ为测量噪声，也具有高斯分布。对于状态方　程中的系统噪声ｗ和测量噪声ｖ，假设服从如下多元高斯分布，　并且ｗ、ｖ相互独立，Ｑ、Ｒ为噪声变量的协方差矩阵。　ｐ（１４０一～（０，０）　（３）　ｐ（　～～（０，只）　（４）　本文采用ＶＩＢＥ［５　背景建模检测运动物体，其基本思想为：每　一从以上的结论中得到了理论先验值和测量后验值，接下来　我们要通过反馈从先验值与后验值中得到最优的估计值：　十　（　一　）＝Ｘｋ＋Ｋｋ（　一　）　（５）　个像素点都有一个样本集，由这个像素点过去的像素值与他　周围邻居点的像素值所组成，每当更新该点像素值，则与之前的　样本集进行比较，判断该像素值是否为背景。由于背景会随着时　间的变化而变化，所以我们的检测要适应这种变化，例如光照变　化，背景参照物的突然运动或者静止。ＶｌＢＥ采用的是保守更新　策略与前景点计数方法。保守的更新策略：前景点永远不能被用　来填充背景模型。前景点计数方法：对该像素点进行计数，若连　续Ｋ帧都被默认为前景，那么就将其更新为背景点。　１．２　ｋａｌｍａｎ跟踪　我们定义×　为先验值，Ｘ　为估计值，Ｚｋ为测量值的预测，其　中（Ｚ　一Ｈ　）为残差，就是测量值与预测值之间的差距。现在关　键是要了解到Ｋ：　Ｔ　＝＾　＾　ｒ　Ｅｌ　］＝Ｅ［（　—　）（Ｘ—　）］　把前面得到的估计值代入则可以化简得：　Ｐｋ＝Ｅ［［（，一　Ｈ）（　）一　］［（『＿　（　）一　］］　Ｋａｌｍａｎ滤波『６　于１９６０年由ｋａｌｍａｎ提出的一种最优递推　滤波方法，它的实质是：若有一组强而合理的假设，给出系统的　历史测量值，和一系列的不完全及包含噪声的测量中，则可以最　大化这些早前测量值的后验概率的系统状态模型。所以他是一　同理，得到预测值与真实值之间的协方差矩阵：　Ｐ　Ｅ［ｅｋｅ＇１＝Ｅ［（　一　）（　一　）。１　ｋ《Ｌ、　控制计算机》２Ｏ１７年第３０卷　５期　最ｈｌ－．￣要汁算竹ｉｔ　值与真实他之问的误　方薹矩阵，为　ｙ＝ａ　＋ａ　ＴＸ＋Ｂ　＋・・－＋ａ　（７）　Ｆ次递摊做准箭　通过最小　乘法米求解ａ　Ｉ１ｆＪ各个点到这条【ｌ｝１线的　离之ｆ１Ｉ：　Ｋｋ＝Ｐ　Ｈ　ＩＨＰＩＨ＋Ｒ　＝∑［ｙ－（ａ。＋ａ　７ｘ＋ａ　＋１．－十ａ　ｘ　』．　＝Ｆ（ａ。，ａ　．　・．ａ　）　（８）　Ｐ　＝Ｌ｜一ＫｈＨ、Ｐｋ　至此，　尔盟滤波的理论推导到此结束　Ｊｊ．使得　力‘和最小，即　使得　：，ｆ７ｄ　时其求偏　数，悔理褂ｎ　将时『　Ｊ蜓新　状念更新总结为以卜模式：　个方程　然后联　，【！Ｉ】可求僻符系数的债对轨迹点拟合的Ｉ｝｛１线　时ｒ｝１］更新：　如图２所乐，一般，多项　的幂次・舣小卜７，故水史ｆｌ】设为　Ｘ　ｋ＝Ａｘ　ｋ　１＋ＢＵｋ　１　３异常行为分析　Ｐ　：ＡＰ　ｋ　Ａ＋Ｑ　３　１徘删轨迹分类　状念更新：　在荩　挖视频Ｆ的异常¨为检测，可以　圯ＩｌＪ】确徘｛ＩＩＩｊ等　Ｋ＾＝Ｐ．Ｈ（ＨＰＨ＋　）　行为。徘　钳　迁运动物体ｆ｝：　处停留｝ｊ１ｆ　ｊ过Ｋ　运动轨迹　Ｘ　＝Ｘ＋Ｋｋｔ　Ｚｋ—ＨＸ、　出现重复波动　通过对日常ｆ『｝＿　的行为分忻，本艾将近似惭　运　．Ｚ　ｋ：ＨＸｋ＋Ｖｋ　动轨迹，反复　返运动轨迹，尤规则的折线运动轨迹　种典，　的　通过以ｊ　的检测Ｌｊ跟踪算法，能够很好地在监控视频中检　徘徊行为的运动轨迹．采用其轨迹分鲑分别映　州分｝　ｆｆ（　ｊ帧　测蚪跟踪运动【１１的行人，效果如图１所示。　数组成的　研　际系巾　３．２　ｆｊ＃｛ｌｌｌ】的步０定　在　控｝！】Ｉ！．顿　㈨　｝＿＝ｉ杯轨迹，通过轨迹的分ｉ｛ｃ求投影　杯　轴中，会｝｝Ｊ现正弦式振荡，　＊轨迹的分墩坐标轴【｛ｊ１线ｌｆＪ脱　曲线　或者双｝｝｛１线异常时，即ｌ荇｝¨ｊ线的波峰和波彳卒数　≥３，ｌＪ｛Ｉｊ我们　认为发　ｒ俳秘ｌ仃为，　【Ｉ］波峰和波荇是在有　ｆ　域ｌ～。棚邻的　极人值卜ｊ极小他的等甑犬ｆ　３Ｏ　圈３娃徘删｛于为的舱｛０１ｌ】　，　ｆＩ１．矩形区域＆ｑｊ俭测跟踪　图１　不同时刻中行人的跟踪　２轨迹信息的处理　２．１轨迹的提取　本史采川的是ＶｌＢＥ背景建模以及Ｋａｌｍａｎ滤波跟踪相结　介的算法．能够快速有设地跟踪到运动¨标．通过跟踪目标得到　该｝】杯的质心的运动　Ｉ标轨迹：在视频序列中，质心的轨迹坐标　通过－帧帧求记求下来，由于误差的存在，我们这些质心坐标点　会彳　・些ｒ，　偏离，冈此．需要通过［Ｈ｛线拟合米对这些离散点进　行、　滑处　２　２轨迹的『Ｉｆ】线拟　ｔｌｔ］　我们昕得铡的轨迹是一个个　标点，并　ＩｔＩ　ｊ＝洪差会　台　１　ＩＩ，Ｊ　随的轨迹点．所以本文采川曲线拟合　将这些轨迹点　连接起求，形成　条完整的轨迹曲线、　繁完　的轨迹【｝］，将轨迹点的横纵坐怀分制作为Ｙ轴　Ｉ　的＿敬扣　，Ｘ轴…以税蝴的帧数怍　化，这佯会得到一连串的　运动轨迹点　这　．｝Ｊｌ＿丁，＼点记为（ｘ０，ｙ０、、（Ｘ１，ｙ１）、一、（ｘＮ，　ｙＮ），将采ｊ｝｛＿ｆ｛＿；＝小　乘法多项　进行拟合，拟合的公式为：　ｒ（ｘ）＝ａ，十ａ　ｘ＋ａ　＋．．．＋ａ　（６）　对ｊ　给　的点，求　近似曲线ｙ＝‘Ｐ（ｘ１，并且使得近似曲线　ｔｊ　ｙ＝ｆ（Ｘ）偏　最小、按照　疗和最小的原则选取拟合曲线，并且　采川　项　方程为拟合曲线的方法，成为最小二乘法。　０　图３徘徊行为检测结果　∞　ｍ　…　ｍ　■　（下转第９８页）　图２　轨迹曲线拟合　基于Ｋ－ｍｅａｎｓ聚类和ＳＶＭ的公交到站时间预测算法　参数。最后通过网格搜索确定的参数组合为：（　．　，Ｏ．１）。　确定了ＳＶＭ的构造之后，还需要对其进行训练，找到用于　预测的支持向量（数据库更新后该ＳＶＭ需进行重新训练），然后　利用根据历史数据训练好的ＳＶＭ预测各路段的运行时间。　３．３实验结果与分析　为了与本文提出的模型进行对比，针对不同的影响因素，先　［５］谢玲，李培峰，朱巧明．一种动态和自适应公交到站时间预测方法　［Ｊ］．计算机科学，２０１５，４２（１）：２５３—２５６　［６］Ｍａｃ　Ｑｕｅｅｎ　Ｊ．Ｓｏｍｅ　ｍｅｔｈｏｄｓ　ｆｏｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｎｄ　ａｎａｌｙｓｉｓ　ｏｆ　ｍｕｌｔｉｖａｒｉａｔｅ　ｏｂｓｅｒｖａｔｉｏｎｓ［Ｃ】．ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　５ｔｈ　Ｂｅｒｋｅ—　ｌｅｙ　Ｓｙｍｐｏｓｉｕｍ　ｏ０　ＭａｔｈｅｍａｔｉｃａＩ　Ｓｔａｔｉｓｔｉｃｓ　ａｎｄ　Ｐｒｏｂａｂｉｌｉｔｙ．　ＢｅｒｋｅＩｅｙ：Ｕｎｊｖｅｒｓｉｔｙ　０ｆ　Ｃａ１ｉｆｏｒｎｉａ　Ｐｒｅｓｓ，１９６７：２８１－２９７　设计了一个只包含ｘ　、ｘ　ｘ３和ｘｋ四个输入变量的ＳＶＭ，记作　ＳＶＭ（４），相应的本文提出的ＳＶＭ模型则记作ＳＶＭ（５），并计算　了两种模型在各路段的预测结果的均方根误差，如图４所示。　从图４中可以看出，在８种模式下，晴天时的预测误差要比　雨天小，这可能是因为雨天路滑，驾驶员的可视范围也比较小，　［７］张靖，段富．优化初始聚类中心的改进ｋ－ｍｅａｎｓ算法［Ｊ］计算机工　程与设计，２０１３，３４（５）：１６９１—１６９４　［８］孟子健，马江洪一种可选初始聚类中心的改进ｋ均值算法［Ｊ］．统汁　与决策，２０１４（１２）：１２—１４　［９］］一世飞，齐丙娟，谭红艳．支持向量机理论与算法研究综述　Ｊ］电子　科技大学学报，２０１１，４０（１）：２—１０　路况变得更为复杂，从而增大误差；而高峰时段的预测误差要大　于平峰时段，这可能是由于高峰时段道路拥挤、交通阻塞，从而　影响了车辆的正常运行；同时，周末预测效果要好于工作日，这　可能是由于周末出行相对比较分散，而工作日上下班人员比较　［１　０］Ｄｏｎｇ　Ｂ，ＣａｏＣ，Ｌｅｅ　Ｓ　Ｅ．Ａｐｐｌｙｉｎｇ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒｍａｃｈｉｎｅｓ　ｔｏ　ｐｒｅｄｉｃｔ　ｂｕｉｌｄｉｎｇ　ｅｎｅｒｇｙ　ｃｏｎｓｕｍｐｔｉｏｎ　ｉｎ　ｔｒｏｐｉｃａｌ　ｒｅｇｉｏｎ［Ｊ］．　Ｅｎｅｒｇｙ　ａｎｄ　Ｂｕｉｌｄｉｎｇｓ，２００５，３７：５４５－５５３　［１１］于滨，蒋永雷，于博，等．支持向量机在公交车辆运行时问预测中的　集中，停车延误、交通流相对较大造成的。ＳＶＭ（５）模型的预测误　差均比ＳＶＭ（４）模型低，并且预测误差的波动更小。由此可见，　ＳＶＭ（５）模型具有更好的预测性能。　应用［Ｊ］大连海事大学学报，２００８，３４（４）：１５８—１６０　【１２］于滨，杨忠振，曾庆成基于ＳＶＭ和Ｋａｌｍａｎ滤波的公交车到站时　间预测模型［Ｊ］．中国公路学报，２００８．２１（２）：８９—９２　［１３］ＹＵ　Ｂ，ＬＩ　Ｔ，ＫＯＮＧ　Ｌ，ｅｔ　ａ１．Ｐａｓｓｅｎｇｅｒ　ｂｏａｒｄｉｎｇ　ｃｈｏｉｃｅ　ｐｒｅ—　ｄｉｃｔｉｏｎ　ａｔ　ａ　ｂｕｓ　ｈｕｂ　ｗｉｔｈ　ｒｅａｌ—ｔｉｍｅ　ｉｎｆｏｒｍａｔｉｏｎｆＪ１　Ｔｒａｎｓｐｏｒｔ—　ｍｅｔｒｉｃａ　Ｂ—Ｔｒａｎｓｐｏｒｔ　Ｄｙｎａｍｉｃｓ，２０１５。３（３）：１９２—２２１　参考文献　［１］张宁，丁建明，黄　．城市公共交通系统集成调度构想［Ｊ】．公路交通　科技，２００６，２３（１）：１４３—１４６　［１４］ＢＩＡＮ　Ｂ　Ｍ．ＺＨＵ　Ｎ．ＬＩＮＧ　Ｓ　Ａ　ｅｔ　ａｌ　Ｂｕｓ　ｓｅｒｖｉｃｅ　ｔｉｍｅ　ｅｓｔｉｍａ．　ｔｉｏｎ　ｍｏｄｅｌ　ｆｏｒ　ａ　ｃｕｒｂｓｉｄｅ　ｂｕｓ　ｓｔｏｐ　ｆＪ１　．丁ｒａｎｓｐ０ｒｔａｔｉｏｎ　Ｒｅ—　ｓｅａｒｃｈ　Ｐａｒｔ　Ｃ：Ｅｍｅｒｇｉｎｇ　Ｔｅｃｈｎｏｌｏｇｉｅｓ，２０１５，５７：１０３－１２１　［２］李林波，万燕花．关于城市公共交通系统发展的思考［Ｊ］．综合运输，　２００３（５）：３７—３９　［３］段颖超，张健钦，李明轩，等一种公交到站时间预测方法［Ｊ］．测绘通　报，２０１６（５）：５０—５３　［１５１Ｍｏｏｄｙ　Ｊ　Ｅ　Ｔｈｅ　ｅｆｆｅｃｔｉｖｅ　ｎｕｍｂｅｒ　ｏｆ　ｐａｒａｍｅｔｅｒｓ：Ａｎ　ａｎａｌｙｓｉｓ　０ｆ　ａｅｎｅｒａｌｉｚａｔｉＯｎ　ａｎｄ　ｒｅｇｕｔａｒｉｚａｔｉｏｎ　ｉｎ　ｎｏｎｌｉｎｅａｒ　ｌｅａｒｎｉｎｇ　ｓｙｓ—　［４］李大铭，赵新良，林永杰，等．基于模糊神经网络的短时公交到站时问　预测［Ｊ］东北大学学报（自然科学版），２０１１，３２（３）：４４３—４４６　（上接第９５页）　ｔｅｍｓ［Ｊ１．Ｎ｝ＰＳ．１９９２．４：８４７－８５４　『收稿日期：２０１６　１２　５１　图４ａ显示了一个徘徊的行为以及一个正常行为，其中红色　框显示的是徘徊异常行为，而黄色框显示的是正常行为。我们可　以在ｂ、ｃ上可以看到，徘徊的行为出现了在Ｘ轴轨迹分量中，　的行人，颜色为黄色。颜色为红色表明该运动目标出现了徘徊异　常行为；由图３ｂ可知，在Ｘ轴轨迹分量中，出现了３次极大值　与２次极小值；图３ｃ可知，在Ｙ轴的轨迹分量中，出现了２次　极大值，与１次极小值。在Ｘ轴分量中，其相邻的极大值与极小　值的差值大于给定的规定值３０，Ｙ轴分量同样也是，我们可以　将其判定为徘徊行为。　出现了３次极大值与３次极小值。在Ｙ轴的轨迹分量中，出现　了３次极大值，与３次极小值。在Ｘ轴分量中，其相邻的极大值　与极小值的差值大于给定的规定值３０，Ｙ轴分量同样也是，故　可以将其判定为徘徊行为，而ｄ、ｅ中，并没有任何的极大值与极　小值，故为正常行为。　＿　Ｉ’　参考文献　。　ｌｌｌ　≥　。　ｌ　＿・　Ｉ　｛　　ｌ［１］Ｄｏｎｏｈｏ　Ｄ．Ｃｏｍｐｒｅｓｓｅｄ　ｓｅｎｓｉｎｇ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｈｅｏｒｙ，２００６，５２（４）：１２８９—１３０６　［２］Ｃａｎｄ￣ｓ　Ｅ　Ｃｏｍｐｒｅｓｓｉｖｅ　ｓａｍｐｌｉｎｇ［Ｃ］／／Ｉ　ｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｇｒｅｓｓ　ｏｆ　ＭａＩｈｅｍａｔｉｃｉａｎｓ，Ｍａｄｒｉｄ．Ｓｐａｉｎ，２００６：１　４３３—１　４５２　［３］Ｃｈｅｎ　Ｓ　Ｓ。Ｄｏｎｏｈｏ　Ｄ　Ｌ，Ｓａｕｎｄｅｒｓ　Ｍ　Ａ．Ａｔｏｍｉｃ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　圈　ｂｙ　ｂａｓｉｓ　ｐｕｒｓｕｉｔ［Ｊ］．ＳｌＡＭ　Ｒｅｖｉｅｗ，２００１，４３（１）：１２９—１５９　［４］孙红星，王嘉艺，刘大鹏基于运动轨迹的徘徊检测［Ｊ］．辽宁科技大　学学报，２０１４，３７（４）：３８７—３９２　［５］Ｂａｒｎｉｃｈ　Ｏ，Ｖａｎｏｇｅｎｂｒｏｅｃｋ　Ｍ．ＶｉＢＥ：Ａ　ｐｏｗｅｒｆｕｌ　ｒａｎｄｏｍ　ｔｅｃｈ—　－　一　ｒ一—☆一　ｎｉｑｕｅ　ｔｏ　ｅｓｔｉｍａｔｅ　ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｉｎ　ｖｉｄｅｏ　ｓｅｑｕｅｎｃｅｓ［Ｃ］／／　Ａｃｏｕｓｔｉｃｓ，　Ｓｐｅｅｃｈ　ａｎｄ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ．　２００９．　ＩＣＡＳＳＰ　２００９．ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ＩＥＥＥ　２００９：９４５—９４８　，／｝　［６］ＧＲＥＧ　ＷＥＬＣＨ，ＧＡＲＹ　ＢＩＳＨＯＰ．Ａｎ　Ｉｎｔｒｏｄｕｃｔｉｏｎ　ｔｏ　ｔｈｅ　ｋａｌｍａｎ　ｆｉｌｔｅｒ［Ｊ】＿Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｎｏｒｔｈ　Ｃａｒｏｌｉｎａ　ａｔ　Ｃｈａｐｅｌ　Ｈｉｌｌ　Ｃｈａｐｅｌ　Ｈｉｌｌ　ＮＣ２７５９９－３１　７５．２００６　［收稿日期：２０１６．１２＿２６］　图４徘徊与非徘徊行为检测