视频中行人分割方法

1、 视频中运动人体的检测方法摘 要运动人体的检测是人体运动分析的重要内容，也是计算机视觉研究的重要领域之一。在智能安全监控、高级人机接口、人体运动细节分析等方面有着广泛的应用前景和经济价值。 由运动物体所形成的图像序列可分为两种情况：一种是静止背景，一种是运动背景。本文主要综述静止背景下，运动人体的检测的方法。 1 绪 论1.1 引言本章着重阐述了视频图像序列中，运动目标检测的研究意义及本文的选题背景。1.2研究背景与意义1.2.1研究背景 图像是对客观事物形象、生动的描述，是直观而具体的信息表达形式，是人类最重要的信息载体。特别是在今天的信息社会，随着网络、通信和微电子技术的快速发展和人民物质

2、生活水平的提高，以图像为基础的视频以其直观、方便和内容丰富等特点，日益受到人们的青睐。然而在很多应用领域，人们通过视觉获得信息的同时，也要付出艰辛的劳动，需要有一种科技，可以代替人的这种劳动，把人从繁重的视觉劳动中解放出来。因此，用计算机模拟人眼，进行各种烦累的视觉活动就成为一种迫切的需要。在这种条件下，有关计算机视觉的各种研究和应用如雨后春笋般发展起来。计算机视觉的研究目的是使用计算机代替人眼及大脑对景物环境进行感知、解释和理解。随着计算机技术的不断发展，利用计算机来实现人类的视觉功能，成为目前计算机领域中最热门的课题之一。计算机视觉研究的一个重要方面，就是运动目标的检测和跟踪，它融合了计算

3、机图像处理、模式识别、人工智能及自动控制等诸多相关领域的知识，形成了一种能从图像序列中自动检测标，提取目标位置信息，自动跟踪目标的技术。运动目标检测与跟踪处于整个计算机视觉的底层，是视频图像分析中最基本的方法，是各种后续高级处理，如目标分类、行为理解等的基础。1.2.2学术和应用价值 运动目标检测是视频运动目标检测与跟踪的第一部分，它就是实时的在被监视的场景中检测运动目标，并将其提取出来。视频图像序列中的运动目标检测一直是计算机视觉、数字视频与图像处理和模式识别领域中一个重要的研究课题。运动目标跟踪是衔接运动目标检测和目标行为分析和理解的一个重要环节。 运动目标的检测是一个重要、困难的研究课题

4、，它除了能将运动分量和背景分量分割开，还能用检测出的运动块为以后的识别、分类以及行为分析提供感兴趣的区域。1.3 国内外人体运动检测研究现状运动检测的目的是从序列图像中将变化区域从背景图像中提取出来。运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。然而，由于背景图像的动态变化，如天气、光照、阴影等因素的影响，使得运动检测成为一项相当困难的工作。运动检测的算法依照目标与 CCD 之间的关系，可以分为静态背景下运动检测和动态背景下运动检测，所谓静态背景下运动检测就是摄像 CCD 在整个监视过程中不发生移动，只有被监视目标在摄像

5、 CCD 的视场内运动，这个过程只有目标相对于 CCD 的运动；动态背景下运动检测就是摄像 CCD 在整个监视过程中发生了移动(如平动、旋转或多自由度运动)，被监视目标在摄像 CCD 的视场内也发生了运动，这个过程就产生了目标与 CCD 之间复杂的相对运动。动态背景下运动检测存在着目标与 CCD 之间复杂的相对运动，所以算法要比静态背景下运动目标检测算法复杂。当目标运动的同时，跟踪摄像器件也相应地发生运动，从而导致运动目标在图像上造成的变化与背景本身的变化混淆在一起，在这种情况下如何精确地实时检测出运动目标成为研究的重点。常用的动态背景下运动检测算法有匹配块法、光流估计法、以及全局运动估计法等

6、。光流法计算量大，不适宜实时处理。为了能够沿用静态背景下的检测思想，可以先将连续几帧图像的相同背景稳定在同一幅图像的相同位置上，使运动目标“暴露”出来，也就是对图像进行配准。视频序列图像中相邻两帧图像共同部分有很大的相关性。如果背景部分发生平移变化，平移变化对图像的高频分量影响较大，所以采用傅立叶频谱为基础的相位相关匹配算法。如果背景部分还发生旋转等运动，采用特征点匹配的方法。静态背景下运动目标检测主要常用的方法是：背景差方法背景差方法是目前运动分割中最常用的一种方法，它是利用当前图像与背景图像的差分来检测运动区域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无

7、关事件的干扰等特别敏感。帧差法帧差法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取图像中的运动区域。例如，Lipton 等利用两帧差分方法从实际视频图像中检测运动目标，进而用于目标的分类与跟踪；一个改进的方法是利用三帧差分代替两帧差分，如 VSAM 开发了一种自适应背景减除与三帧差分相结合的混合算法，它能够快速有效地从背景中检测出运动目标。帧差分运动检测方法对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象。光流法基于光流方法的运动检测采用了运动目标随时间变化的光流特性，如Meyer 等通过计算位移向量光流场来

8、初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。该方法的优点是在摄影机运动存在的前提下也能检测出独立的运动目标。然而，大多数的光流计算方法相当复杂，如果没有特定硬件的支持则不能被应用于全帧视频流的实时处理。同时当场景中有噪声，阴影等时，计算得到的光流场分布不是十分可靠和精确。本文是介绍在静态背景下进行运动人体检测。1.4 运动目标检测的主要问题和难点由于该领域的研究对象复杂，研究内容涉及多种学科，目前还存在以下研究难点还没有较好地解决。 行人检测还没有通用的方法，通常是在受限的条件下进行的，针对特定的环境设计相应的检测方法。如人体运动期间不被遮挡、背景相对简单、摄像机静止不动等。 运动

9、物体检测方法对周围环境中光线亮度渐变和微小噪声干扰的适应性能。自然光线和灯光的亮度是在不断变化的，平时人眼可能感觉不到这些光线亮度的变化，但是在对场景中运动物体进行检测时，光线亮度的细微变化和微小噪声的干扰会对检测结果产生很大影响。如果检测算法不能适应这些变化，可能会导致检测失败。 行人检测技术涉及到多种学科的知识，包括计算机视觉、图像处理、模式识别、人工智能等，如何将它们相结合也是值得深入研究的问题。2 运动人体检测2.1 常用目标检测方法 显然，综合上述两种分类方法，视频监视可有室内静止背景、室外静止背景、室内运动背景、室外运动背景四种。本文方法主要针对的是室内静止背景下视频动人体的检测。

10、 运动目标检测就是对包含运动信息的图像序列进行适当地处理，从而去除静止的背景，检测出运动目标及其携带的运动信息，并对这些运动信息进行整合，得到关键参数，为视觉系统的后续阶段提供可靠的数据源。运动目标的检测原则是要尽可能保留那些对视觉检测有重要意义的特征信息，同时最大限度地摒弃那些对运动目标检测无用的冗余信息。 由于无法得到一个通用的运动检测算法，研究者不得不在算法的复杂度、可靠性以及实时性等方面综合考虑。目前，研究人员已经在这方面做了大量的研究，提出了许多方法。运动目标检测常用的方法有：连续帧间差分法、背景差分法和光流法。光流法计算复杂，不适宜实时处理；连续帧间差分法将连续两帧进行比较，从中提

11、取出运动目标的信息，这种提取出运动目标的完整性较差，但对动态环境有较好的适应性；背景差分法能够较完整地提取目标点，但对场景的动态变化较为敏感。下面简单介绍这三种目前常用的方法：2.1.1 帧间差分法帧间差分法，又称时间差分法。帧间差分是检测相邻帧图像之间变化的最简单方法，它是直接比较了视频序列中连续的两帧或三帧图像中对应像素点在灰度值上的差异，然后通过设定阈值来提取序列图像中的运动区域。基本运算过程如图 2.1 所示：首先利用公式(3.1)计算第 k 帧图像与第 k1 帧图像的差别，得到差分后的图像D: (2.1)其中,为连续的两帧图像；为帧差图像。然后对差分后图像D 使用图像分割算法(公式

12、3.2)进行二值化处理，即认为当差分图像中某一像素的差大于设定的阈值时，则认为该像素是前景像素(检测到的目标区域)，反之则认为是背景像素：其中 T 是二值化设定的阈值；为二值化后的差分图像。帧间差分法进行目标检测的主要优点是：算法实现简单；程序设计复杂度低；易于实现实时监视；基于相邻帧差方法，由于相邻帧的时间间隔一般较短，因此该方法对场景光线的变化一般不太敏感。最基本的帧间差分法可以检测到场景中的变化，并且提取出目标，但在实际应用中，帧间差分法的结果精度不高，难以获得目标所在区域的精确描述。因为我们在实际应用中，特别是在下一步进行目标跟踪中，我们总希望提取的目标尽量接近目标的真实形状，也就是说

13、，我们提取出的目标应该是完整的，同时也应该尽量少的包括背景像素点。但是在使用过程中存在两个问题：一是相邻两帧间目标的重叠部分不容易被检测出来，即只检测出目标的一部分或者出现了较大比例的空洞，这是由于我们直接用相邻的两帧相减后，保留下来的部分是两帧中相对变化的部分，所以两帧间目标的重叠部分就很难被检测出来；二是这种方法所检测到的运动区域的大小与目标的运动速度有关，目标运动速度越大，检测出的区域就比实际的区域越大，而当目标运动很缓慢时，往往检测到的区域很小，甚至无法检测到目标的运动。2.1.2 光流法光流场的计算最初是由 Horn 和 Schunck 于 1981 年提出的，它是一种以灰度梯度基本

14、不变，或亮度恒定的约束假设为基础的目标检测的有效方法。所谓光流是指图像中灰度模式运动的速度：它是景物中可见点的三维速度矢量在成像平面上的投影，它表示了景物表面点在图像中位置的瞬时变化；一般情况下，可以认为光流与运动场没有太大区别，因此就可以根据图像运动来估计相对运动。基于光流方法的运动检测采用了运动目标随时间变化的光流特性，把光流计算得到的运动量作为一个重要的识别特征来判断运动目标。光流计算的基本假设是：图像中点 ( x ,y)的亮度在 t 时刻为 I ( x,y,t)，当图像中的点在dt 内发生位移时该点的亮度保持不变。即： (2.3)光流计算法的优点在于光流不仅携带了运动目标的运动信息，而

15、且还携带了有关景物三维结构的丰富信息，它能够检测独立运动的对象，不需要预先知道场景的任何信息，并且能够适用于静止背景和运动背景两种环境，可用于摄像机运动的情况，有较好的适应性。但是当目标与背景图像的对比度太小，或图像存在噪音时，单纯的从图像灰度强度出发来探测目标的光流场方法将会导致很高的虚警率。另外，这种方法的计算复杂度高，运算时间开销很大，除非有特殊的硬件支持，很难实现实时运动目标的检测，从而导致光流计算法的实用性比较差。2.1.3 背景减除法背景减除法也是目前运动分割中最常用的一种方法,它是利用当前图像与背景图像的差分来检测运动区域的一种技术。它将每一帧图像与事先存储的背景图像相减,若差值

16、大于某一阈值,就判为出现了运动目标,且相减的结果直接给出目标的位置、大小、形状等信息。背景减除方法的基本框图如下图：其中，为当前帧，为当前背景模型，为当前帧与背景模型之间的差值，简要描述如下：其中，T 为阈值，为分割后的图像帧。 与时间差分法相比，背景减除法能够提供比较完整的运动目标信息，得到较准确的目标图像，而且速度快，能适应实时系统的要求。但随着时间的推移，对光照和外部条件造成的场景变化比较敏感，会出现许多噪声点，影响目标检测结果。在实际应用中，场景中的背景很复杂，存在各种各样的干扰，而且背景随着时间不断变化，所以适用于整个图像序列的理想背景是不存在的，因此使用背景减除法的主要困难在于背景

17、模型的建立和维护。一般来说，背景模型需满足以下要求：能适应背景随时间的缓慢变化，如一天当中不同时间里的光照变化；能适应背景物体的变化，如场景中移入新的物体，背景中的物体移出场景等变化；背景模型能描述背景中的一些较大扰动，如树叶晃动、日光灯闪烁等；目前许多研究人员致力于背景模型的研究，希望能够减少动态场景对于准确检测的影响。主要有基于统计的模型（高斯模型）和基于预测的方法（卡尔曼滤波、维纳滤波等）。如 Haritaoglu 等利用最大、最小强度值和最大时间差分值为场景中的每个像素进行统计建模，并且进行周期性的背景更新；McKenna 等利用像素色彩和梯度信息相结合方法来建立自适应背景模型。本文对

18、室内背景建立单高斯模型，采用自适应背景减除的方法得到运动人体。3目标分类目标分类的目的是从检测到的运动区域中将对应于人的运动区域提取出来.不同的运动区域可能对应于不同的运动目标,比如交通道路上监控摄像机所捕捉的序列图像中可能包含行人、车辆及其它诸如飞鸟、流云、摇动的树枝等运动物体,为了便于进一步对行人进行跟踪和行为分析,运动目标的正确分类是完全必要的.注意,这个步骤在一些情况下可能是不必要的(比如已经知道场景中仅仅存在人的运动时).下面仅给出两种常用的目标分类方法.(1)基于形状信息的分类(shape-based classifi-cation) 基于形状信息的分类是利用检测出的运动区域的形状

19、特征进行目标分类的方法.例如,VSAM采用区域的分散度、面积、宽高比等作为特征,利用三层神经网络方法将运动目标划分为人、人群、车和背景干扰;Lipton等34利用分散度和面积信息对二维运动区域进行分类,主要是区分人、车及混乱扰动,时间一致性约束使其分类更加准确;Kuno与Watanabe41使用简单的人体轮廓模式的形状参数从图像中检测运动的人.(2)基于运动特性的分类(motion-based classi-fication) 基于运动特性的分类是利用人体运动的周期性进行目标分类的方法.例如,Cutler与Davis通过跟踪感兴趣的运动目标,计算出目标随着时间变化的自相关特性,而人的周期性运动

20、使得其自相关也是周期性的,因此通过时频化方法分析目标是否存在周期性的运动特性而将人识别出来;Lipton43通过计算运动区域的残余光流(residual flow)来分析运动实体的刚性和周期性,非刚性的人的运动相对于刚性的车辆运动而言具有较高的平均残余光流,同时它也呈现了周期性的运动特征,据此可以将人区分出来. 上述两种常用的目标分类方法有时可以结合起来使用,甚至可以考虑运动物体色彩或速度等特征,以期得到更加准确的分类结果.另外,Stauf-fer提出了利用时间共生矩阵进行分层分类的方法,该方法不仅可以用来区分物体,还可以用来区分行为.4 人的跟踪跟踪等价于在连续的图像帧间创建基于位置、速度、

21、形状、纹理、色彩等有关特征的对应匹配问题,常用的数学工具有卡尔曼滤波 (Kalman filtering)、Condensation算法及动态贝叶斯网络 (dynam-ic Bayesian network)等.其中Kalman滤波是基于高斯分布的状态预测方法,不能有效地处理多峰模式(multi-mode)的分布情况;Condensation算法是以因子抽样为基础的条件密度传播方法,结合可学习的动态模型,可完成鲁棒的运动跟踪.目前,就跟踪对象而言,有跟踪如手、脸、头、腿等身体部分与跟踪整个人体的;就跟踪视角而言,有对应于单摄像机的单一视角、对应于多摄像机的多视角和全方位视角;当然还可以通过跟踪

22、空间(二维或三维)、跟踪环境(室内或户外)、跟踪人数(单人、多人、人群)、摄像机状态(运动或固定)等方面进行分类.下面仅依据不同的跟踪方法来加以分类介绍.1) 基于模型的跟踪(model-based tracking)传统的人体表达方法有如下三种:(a)线图法(stick figure).人运动的实质是骨骼的运动,因此该表达方法将身体的各个部分以直线来近似,例如,Karaulova建立了人体运动学的分层模型,用于单目视频序列中人体的跟踪.(b)二维轮廓(2-Dcontour).该人体表达方法的使用直接与人体在图像中的投影有关,如Ju等提出的纸板人模型,它将人的肢体用一组连接的平面区域块来表达,

23、该区域块的参数化运动受关节运动(articulated move-ment)的约束,该模型被用于关节运动图像的分析;Niyogi与Adelson利用时空切片方法进行人的跟踪:首先观察由人的下肢轨迹所产生的时空交织模式,然后在时空域中定位头的运动投影,接下来识别其它关节的轨迹,最后利用这些关节轨迹勾画出一个行人的轮廓.(c)立体模型(volumetric model).它是利用广义锥台、椭圆柱、球等三维模型来描述人体的结构细节,因此要求更多的计算参数和匹配过程中更大的计算量.例如,Rohr使用14个椭圆柱体模型来表达人体结构,坐标系统的原点被定位在躯干的中心,目的是利用该模型来产生人行走的三维描

24、述;Wachter与Nagel利用椭圆锥台建立三维人体模型,通过在连续的图像帧间匹配三维人体模型的投影来获得人运动的定量描述.其中,它利用了迭代的扩展卡尔曼滤波方法,结合边缘、区域信息及身体解析约束确定的身体关节运动的自由度,实现单目图像序列中人的跟踪.(2)基于区域的跟踪(region-based tracking)基于区域的跟踪方法目前已有较多的应用,例如,Wren等利用小区域特征进行室内单人的跟踪,文中将人体看作由头、躯干、四肢等身体部分所对应的小区域块所组成,利用高斯分布建立人体和场景的模型,属于人体的像素被规划于不同的身体部分,通过跟踪各个小区域块来完成整个人的跟踪.基于区域跟踪的难

25、点是处理运动目标的影子和遮挡,这或许可利用彩色信息以及阴影区域缺乏纹理的性质来加以解决,如McKenna等27首先利用色彩和梯度信息建立自适应的背景模型,并且利用背景减除方法提取运动区域,有效地消除了影子的影响;然后,跟踪过程在区域、人、人群三个抽象级别上执行,区域可以合并和分离,而人是由许多身体部分区域在满足几何约束的条件下组成的,同时人群又是由单个的人组成的,因此利用区域跟踪器并结合人的表面颜色模型,在遮挡情况下也能够较好地完成多人的跟踪. (3)基于活动轮廓的跟踪(active contour basedtracking)基于活动轮廓的跟踪思想是利用封闭的曲线轮廓来表达运动目标,并且该轮

26、廓能够自动连续地更新.例如,Paragios与Deriche利用短线程的活动轮廓,结合Level Set理论在图像序列中检测和跟踪多个运动目标;Peterfreund采用基于卡尔曼滤波的活动轮廓来跟踪非刚性的运动物体;Isard与Blake利用随机微分方程去描述复杂的运动模型,并与可变形模板相结合应用于人的跟踪.相对于基于区域的跟踪方法,轮廓表达有减少计算复杂度的优点,如果开始能够合理地分开每个运动目标并实现轮廓初始化的话,既使在部分遮挡存在的情况下也能连续地进行跟踪,然而初始化通常却是很困难的.(4)基于特征的跟踪(feature-based tracking)基于特征的跟踪包括特征提取和特

27、征匹配两个过程.Polana与Nelson的文章就是一个很好的点特征跟踪的例子,文中将每个行人用一个矩形框封闭起来,封闭框的质心被选择作为跟踪的特征;在跟踪过程中若两人出现相互遮挡时,只要质心的速度能被区分开来,跟踪仍能被成功地执行;该方法的优点是实现简单,并能利用人体运动来解决遮挡问题,但是它仅仅考虑了平移运动,如果结合纹理、彩色及形状等特征可能会进一步提高跟踪的鲁棒性.另外,Segen与Pingali的跟踪系统使用了运动轮廓的角点作为对应特征,这些特征点采用基于位置和点的曲率值的距离度量在连续帧间进行匹配.以卡尔曼滤波形式的点、线特征的跟踪技术在计算机视觉领域中已被很好地开发,如Jang与

28、Choi利用区域的形状、纹理、色彩和边缘特征信息建立了活动模板,结合卡尔曼滤波的预测方法,使特征匹配能量函数最小化来完成运动目标的跟踪过程,该活动模型对于非刚性物体的跟踪具有很好的自适应性.需要指出,基于多摄像机的人的运动跟踪也得到了一定的研究,如Utsumi利用多摄像机对人进行跟踪,通过选择最好的视点来解决人与人之间的互遮挡和自身遮挡问题;Cai等提出了在不同摄像机之间进行目标匹配的概率方法,并且对相邻摄像机之间的自动切换问题作了探讨.不过,目前有关多摄像机研究的文章并不是很多。5难点与发展趋势尽管人的运动分析研究已经取得了一定的成果,但下述几个方面仍是今后研究的难点问题,迫切需要引起广大科

29、研工作者的高度关注.(1)运动分割(motion segmentation)快速准确的运动分割是个相当重要但又是比较困难的问题.这是由于动态环境中捕捉的图像受到多方面的影响,比如天气的变化、光照条件的变化、背景的混乱干扰、运动目标的影子、物体与环境之间或者物体与物体之间的遮挡、甚至摄像机的运动等,这些都给准确有效的运动分割带来了挑战.就以运动目标的影子为例,它可能与被检测的目标相连,也可能与目标分离.在前者情况下,影子扭曲了目标的形状,从而使得以后基于形状的识别方法不再可靠;在后者情况下,影子有可能被误认为场景中一个完全错误的目标.尽管目前图像分割主要利用背景减除方法,但如何建立对于任何复杂环

30、境的动态变化均具有自适应性的背景模型仍是相当困难的问题.一个可喜的发展是,一些研究者们正利用时空统计的方法构建自适应的背景模型,这也许对于不受限环境中的运动分割而言是个更好的选择.(2)遮挡处理(occlusion handling)目前,大部分人的运动分析系统都不能很好地解决目标之间互遮挡和人体自遮挡问题,尤其是在拥挤状态下,多人的检测和跟踪问题更是难于处理.遮挡时,人体只有部分是可见的,而且这个过程一般是不可训练的,简单依赖于背景减除进行运动分割的技术此时将不再可靠,为了减少遮挡或深度所带来的歧义性问题,必须开发更好的模型来处理遮挡时特征与身体各部分之间的准确对应问题.另外,一般系统也不能

31、完成何时停止和重新开始身体部分的跟踪,即遮挡前后的跟踪初始化缺少自举方法.当然,可喜的进步是利用统计方法从可获得的图像信息中进行人体姿势、位置等的预测;不过,对于解决遮挡问题最有实际意义的潜在方法应该是基于多摄像机的跟踪系统.(3)三维建模与跟踪(3-D modeling and track-ing)二维方法在早期人的运动分析中证明是很成功的,尤其对于那些不需要精确的姿势恢复或低图像分辨率的应用场合(如交通监控中的行人跟踪).二维跟踪有着简单快速的优点,主要的缺点是受摄像机角度的限制.而三维方法在不受限的复杂的人的运动判断(如人的徘徊、握手与跳舞等)、更加准确的物理空间的表达、遮挡的准确预测和

32、处理等方面的优点是二维方法所不能比拟的;它能提供更加有意义的与身体姿势直接相关的可视化特征用于行为识别;同时,三维恢复对于虚拟现实应用也是必需的.目前基于视觉的三维跟踪研究仍相当有限,三维姿势恢复的实例亦很少,且大部分系统由于要求鲁棒性而引入了简化的约束条件.三维跟踪也导致了从图像中人体模型的获取、遮挡处理、人体参数化建模、摄像机的标定等一系列难题.以建模为例,人体模型通常使用许多形状参数来表达.然而,目前的模型很少利用关节的角度约束和人体部分的动态特性;而且过去的一些工作几乎都假设3-D模型依据先验条件而提前被指定,实际上这些形状参数应当从图像中估计出来.总之,3-D建模与跟踪在未来工作中应

33、值得更多的关注.6 结束语本文是对视频中行人分割方法进行了综述，并且对运动人体的检测跟踪作了描述。主要讲述了视频中行人分割的主要的几个方法以及怎么实现的。参 考 文 献1 Collins.R.T.andA.J.Lipton.Introduction to the special section on video surveillanceJ.IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):745-746.2 王素玉,沈兰荪.智能视觉监控技术研究进展J.中国图象图形学报,2007,12(9):150

34、5-1514.3 Strings.E.and C.S.Regazzoni.Real-time video-shot detection for scene applicationsJ.IEEE Transactions on Image Processing,2000,9(1):69-79.4 Reynard.D.Learing. dynamics of complex motions from image sequencesN.Proc.European Conf.Computer vision,1996.5 Boyer.E.Object models from contour sequencesJ.Proc.European Conf.Comp