前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇過分水嶺范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

過分水嶺范文第1篇

然而這并不值得樂觀。《新興經濟體藍皮書：金磚國家發展報告（2013）》中顯示，2012年新興市場對全球經濟增長的貢獻度達到75%，僅中國的貢獻度就達到三分之一。但是，中國卻是金磚國家中唯一一個服務業占比不足50%的國家。

一些媒體已經用上了“中國后工業時代來臨”這樣的標題，這雖然有些言之過早，但需要注意的是，中國人均GDP已經超過6000美元，部分地區的工業化確實已經步入中后期，服務類需求正在上升。可從整體上看，服務業的發展仍然滯后，占GDP的比重距離發達國家60%的平均水平還相距甚遠。除了公共服務以外，人們一般習慣于將服務業劃分為兩類：一是生產，包括金融、保險、法律、信息和咨詢、廣告和市場研究等，指為生產和商務活動提供的服務，它體現為被服務企業的生產成本；二是消費，包括零售、餐飲、旅游、關愛體驗等，是直接為消費者提供的服務。

無論是生產還是消費，專業化和集中化都是未來的方向。以德國為例，德國的會展業位居世界第一位，每年都要舉辦150場以上的國際展會，行業集中程度令人驚嘆，世界10大會展公司中有6個來自德國，會展業也為德國當地的其他服務業創造了更多的機會。而瑞士75%的國民收入來自服務業，發達的金融行業為整個服務業提供了安全穩定的環境，銀行保險業占到瑞士GDP的40%之多。

過分水嶺范文第2篇

舉辦一屆有特色、高水平的奧運會，是中國對世界的鄭重承諾，也是推動中國經濟發展的重要機遇。承辦奧運會帶來的基礎設施投資增長、國內外游客的巨大消費需求以及投資者看好中國經濟的心理預期，對中國經濟持續較快發展產生了積極的推動作用。自2001年北京申奧成功7年來，我國國內生產總值年均增長10.5%。經濟增長持續時間之長、運行之平穩，都是改革開放以來前所未有的。奧運會有力地促進了中國進一步深化開放和走向世界，推動中國經濟在更廣更深層次上融入世界。

2008年是北京奧運會舉辦之年，也是中國經濟發展進入新一輪周期性調整之年。進入后奧運時期，上述因奧運帶動的經濟發展利好因素會減弱甚至在短期內消失，中國經濟是否會走“下坡路”？國家發改委宏觀經濟研究院副院長王一鳴認為，城市化、基礎設施建設投資規模巨大、居民消費結構升級、勞動生產率提高以及積極主動參與經濟全球化，是過去幾年支撐我國經濟發展的基本動力，這些基本動力不會因為奧運會結束而發生變化，“后奧運效應”不會影響中國經濟發展的基本面。

同時，中國目前已發展成為世界第四大經濟體。奧運對北京經濟增長貢獻明顯，但北京市經濟總量僅占全國的3.6%。奧運會場館建設和基礎設施投資約3000億元，按奧運投入期4年分攤，平均每年750億元，僅占我國過去4年當年全社會固定資產投資的0.55%―1.06%。奧運會帶來的經濟和投資增量在中國經濟和投資總量中的比重很小，奧運不會成為中國經濟發展的分水嶺。

如何積極放大奧運會對經濟發展的正面影響？王一鳴建議，一是要有效發揮奧運場館和關聯基礎設施的作用，降低體育場館利用不足帶來的資源閑置和浪費，進一步推進城市軌道交通等基礎設施建設，提高網絡化程度，為提升百姓生活品質服務。二是要積極推廣“綠色奧運、科技奧運、人文奧運”理念，加大環保和生態建設投入，推動科技進步和創新，促進經濟發展方式轉變。三是要充分利用奧運會對現代服務業的帶動效應，引導金融保險、商務服務、現代流通、信息傳輸、房地產、旅游會展和文化體育等服務業發展，推動產業結構調整升級。四是要積極擴展奧運主辦和協辦城市的輻射帶動效應，推動區域經濟發展。五是要充分發揮舉辦奧運會帶來的精神財富和品牌效應，進一步挖掘中國文化底蘊，豐富城市人文內涵，提升城市品牌價值，提升我國的國際形象。

過分水嶺范文第3篇

1基于脊線的層級分水嶺算法本算法核心是一種利用分水嶺算法本身的多級迭代算法，圖1所示為算法流程框圖。待處理圖像輸入后，經過四個步驟，即可輸出結果。各步驟說明如下：（1）預處理：降低噪聲，平滑圖像。（2）生成脊線：生成可供再分割區域邊界脊線。為了實現基于脊線的多級分割，本文算法要求該步驟生成的脊線必需滿足2個條件：（a）區域一定有封閉完整的邊界脊線，不允許存在無脊線分割的相鄰區域；（b）脊線寬度為1個像素，不能有冗余。本文利用了一種改進的V.S.泛洪分水嶺算法來生產這些脊線。（3）基于脊線的多層級再分割：將已獲得的積水盆區視為透明區，根據給定的“泛洪”規則，僅對已知脊線進行另一種改進的V.S.泛洪分水嶺算法來生成新的脊線，以實現多層級再分割。（4）判斷是否達到分割目標：根據一定判據，判斷分割是否達到目的。是則停止分割，輸出結果，當前已獲得的脊線即為所得分水嶺；否則利用當前脊線，再重復步驟（3），直到滿足分割目標為止。

下文重點描述步驟（2）和步驟（3），也即本文算法核心所在。

1.1生成脊線為了在后續分水嶺算法的再分割中，僅利用已知的脊線信息，本文算法要求本步驟生成的脊線必須足夠完整。生產脊線有多種算法，一種方法是通過邊界提取算子，如羅伯特（Robert）算子，但不能確保脊線一定出現在邊界處。考慮V.S.分水嶺算法本身的優點，經過適當的改進，即可實現：在泛洪生成區域的過程中，同步生成完整的脊線。下文將此改進算法簡稱為分水嶺“改進算法A”。V.S.分水嶺算法[2]可以分為兩個過程：排序和浸沒。排序可得到待處理圖像的最小像素值hmin和最大值像素值hmax。浸沒過程是個區域生長的循環過程，流程圖如圖2所示，其中，h表示循環變量。

由于“改進算法A”對浸沒過程中隊列生長的嚴格判斷，可獲得完整非冗余的分水嶺脊線。圖3所示為“改進算法A”與V.S.原算法的結果比對圖，梯度圖通過Sobel算子得出。其中（a）為實驗原圖，（b）、（d）分別為V.S.分水嶺算法與“改進算法A”生成區域圖，（c）、（e）分別為（b）、（d）對應的局部放大圖。在（c）圖方框指示區中存在相鄰4像素皆為標記脊線的情況，即脊線寬度超過了1個像素；（c）圖中還存在大量脊線斷裂不連續的現象；而（e）圖中脊線連續封閉且寬度恒為1個像素，有效避免了這些現象。

1.2基于脊線的多層級再分割經過“改進算法A”，生成了完整的區域脊線。這些脊線有以下兩個特點：（1）從形態看，每一個分割后的積水盆，都是由脊線包圍的封閉區域，當水充滿每一個積水盆時，盆內的更精細的結構將不可見，影響形態的只有脊線元素。（2）圖像梯度反映了圖像局部的不一致性，分水嶺的脊線，是局部不一致性最強的位置，積水盆內部的一致性好于脊線，脊線反映了相鄰區域的差異。因此，綜合以上因素，為了獲得更大尺度、更寬一致性的區域，有必要跟蹤已有脊線，僅對脊線元素，迭代實施某種分水嶺變換，以達到所需的區域分割目標為止。此過程即為：基于脊線的多層級再分割過程，其中迭代變換是一種再次改進的V.S.分水嶺算法，本文簡稱其為分水嶺“改進算法B”。“改進算法B”對圖2中的兩個環節做了新的修改，描述如下：（1）搜索像素入隊列：只搜索分水嶺脊線，當脊線領域中具有“新級別”（大于前一層級標識最大值）標記的像素，將脊線加入隊列，同時設置脊線標識（MASK）。（2）隊列像素區域生長：對隊列 中像素進行區域生長。（a）對標記為MASK的像素作區域生長。先確定當前像素的標記是否為分水嶺，是則停止生長；否則考慮此像素的領域像素，且僅當領域像素標記為MASK或“前一級別”時，對領域作基于距離變換的區域生長。像素鄰域標記類型可能有：前一級別標記、當前級別標記、MASK和脊線；（b）對標記為“前一級別”的像素作區域生長。僅當領域像素標記為MASK或“前一級別”時，對領域作基于距離變換的區域生長；（c）對“前一級別”鄰域像素的標記處理細節。可以通過一個簡單的區域映射表來實現，即“前一級標記”→“當前級別標記”，初始時每個表項設為無效標記，如取-1。映射表的作用是保證區域生長過程中，“前一級別”區域的完整性，另一個作用是避免同時查詢、新舊兩張標記圖。這個映射表也是層級分割輸出的一部分。映射表的實現可以用一個數組即可。

圖4所示為基于脊線的多層級分割原理示例圖。圖4（a）為分水嶺算法待處理梯度圖的局部。圖4（b）為“改進算法A”生成的脊線圖，脊線用虛線表示（下同），生成浸沒區域為①。圖4（c）和（d）是兩級“改進算法B”的處理結果。對圖4（b）中脊線進行“改進算法B”的分水嶺變換，將會繼續浸沒產生圖4（c）中②區，生成如圖4（c）所示新脊線。對圖4（c）中脊線進行“改進算法B”，將會繼續浸沒產生圖4（d）中③區，生成如圖4（d）所示新脊線。之后，需要根據整張圖像的情況和采用的判據，進行更多級別的再分割，達到分割目標即可結束。

1.3多層級分割判據如果對基于脊線的多層級分割過程不加限制，將出現“過合并”現象。在實際應用中，需要用合適的判據方法來減少“過合并”現象。本文采用判據方法為：自適應調整脊線閾值法。由兩部分實現：（1）自適應更新脊線值：計算區域的平均灰度，將區域脊線值更新為相鄰區域灰度均值差的最大值。（2）區域分類：區域脊線的最大值為vmax，取一閾值vthred，判斷兩者關系：對滿足vmax>vthred區域不作處理，直接進入下一級分割；對其它區域，進行浸沒計算。vthred計算方法為：對經“改進算法A”獲得的區域脊線圖，僅考慮脊線值，非脊線像素置0，進行基于最大類間方差法[20]二值化，計算而來的分割閾值。2實驗結果與分析按照圖1所示流程圖，本文對Berkeley數據庫彩色圖像及工程實用電纜截面圖像進行了基于脊線的層次分水嶺分割。實驗顯示：本文算法可以處理部分圖像的過分割現象，且處理速度較快。

2.1實驗過程本文算法經預處理階段后生成梯度圖，不同圖像可以選擇不同的梯度圖生成方式。然后對梯度圖作邊界2個像素的延拓。對此梯度圖進行分水嶺“改進算法A”生成初始脊線。隨后，對脊線進行分水嶺“改進算法B”、自適應調整脊線閾值相結合的多層級再分割過程，即可完成最后分割。不同的圖像，再分割的級數不同。

2.2分割結果與分析本文選取的測試實驗圖像有兩類：Berkeley數據庫的彩色圖像；工程用電纜絕緣切片灰度圖像。此兩類圖像的多級分割實驗為實驗一和實驗二，實驗過程圖如圖5、圖6所示。二者都按灰度圖像處理，梯度圖獲取方式都為Sobel梯度算子。在實驗一和驗二中，第一張圖為原始圖像，其它為多級分割的各級區域脊線圖，脊線用實線表示，區域透明，多級分割的級別用n表示。n=1表示“改進算法A”獲取的區域脊線圖，n>2表示“改進算法B”獲取的區域脊線圖。n=7表示最后分割結果圖。

從實驗一、二中可以看出，隨著分割級數的增加，區域數量逐漸減小，灰度相似的小區域逐漸向同一個大區域合并，基本完成不同灰度區域的分割。實驗一最后一級將鷹樹枝分割在同一區域中，天空被樹枝分割為6個區域，在圖中用①～⑥標號表示。實驗二最后一級將電纜絕緣切片圖像主要分為三個區域：絕緣層內、絕緣層、絕緣層外。圖7所示為更多的多級分割實驗圖，第一行為原始圖像，第二行為對應的多級分割最后結果圖。第一列基本實現天空、樹木山坡的分割。第二列將花葉、花盆、花盆中土、背景基本分離開來了。第三、四、五列實現了電纜絕緣層、層內外背景的分離，且第五列同時實現了兩個絕緣層的單獨分割。

3結論本文針對傳統V.S.分水嶺分割算法中存在的過分割現象進行了分析，考慮分水嶺算法本身的優點，提出了一種基于脊線的層次分水嶺算法。通過分水嶺“改進算法A”提取了完整非冗余的區域脊線，自適應調整脊線閾值，對脊線進行分水嶺“改進算法B”多層級再分割，取得了不錯的實驗結果。從對部分彩色圖和工程圖的實驗中看出：本文算法可以有效避免過分割現象，對不同顯著區域能有有效分割。在層級迭代過程，本文算法只處理脊線，計算量大大降低，達到與傳統V.S.分水嶺算法相當的處理速度，是一種快速的分水嶺改進算法。同時，在預處理方法、多級迭代停止條件等方面，本文算法仍存在著優化空間。

參考文獻：

.International Journal of Image Processing，2011，5（5）：521-541.

.IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13（6）：583- 598.

.SPIE Image and Video Communications and Processing，2000，3974：759-766.

[4]刁智華，趙春江，郭新宇，等.分水嶺算法的改進方法研究[J].計算機工程，2010，36（17）：4-6.

[5]盧官明.一種計算圖學形態梯度的多尺度算法[J].中國圖象圖形學報，2001，6A（3）：214-218.

[6]焦斌亮，胡永剛.基于變尺度形態學的遙感圖像邊緣檢測算法[J].光學儀器，2005，27（4）：13-17.

[7]孫衛芳，段智勇，朱仲杰.結合JSEG與分水嶺方法的彩色圖像分割[J].計算機工程與應用，2010，46（21）： 185-187.

[8]沈晶，楊學志.一種新的邊緣保持分水嶺的圖像分割算法[J].工程圖學學報，2009（5）：80-88.

[9]吳昊，劉正熙，羅以寧，等.改進多尺度分水嶺算法在醫學圖像分割中的應用研究[J].計算機應用，2006，26（6）：1975-1979.

[10]余旺盛，侯志強，宋建軍.基于標記分水嶺和區域合并的彩色圖像分割[J].電子學報，2011，39（5）：1007-1012.

.電子測量與儀器學報，2011，25（6）：516-512.

過分水嶺范文第4篇

【關鍵詞】圖像分割；小波變換；數字形態學

1.引言

圖像分割是按照一定的規則把圖像劃分成有一些明顯的支付目標性質的區域。一些提取的圖像經過進一步的分析和處理所得到的圖像分割結果是圖像理解和圖像特征提取的基礎。聚焦圖像分割和對圖像分割中的數字圖像處理技術進行研究可以進行隨后的圖像分析，用來確定用較少的數據來高級別處理，同時也保留了圖像在不同的圖像分割地區也有其他名稱，如物體輪廓技術指標檢測技術門檻目標跟蹤技術，這些技術本身或它的核心實際上是圖像分割[1]。

2.基于小波變換與數學形態學相結合的圖像分割算法

直接在原圖像的梯度圖像上運用傳統的分水嶺算法進行分割圖像，會造成嚴重的過分分割問題，而這是我們不情愿看到的結果。為了抑制過分分割，減少分割后的小區域，可以在分水嶺分割后，合并過多無意的小區域[2]，但是合并準則的選擇和確定一般比較困難，合并算法比較復雜，計算量大，為了避免這些復雜的合并處理，在分水嶺分割之前，可以對圖像進行綜合的預處理，減少噪聲和細密紋理對分割的影響。

實際上有意義的分割需要滿足下面四個條件[3]：一、區域不能太小即區域內要包含一定數量的像素；二、一個圖像需要分成個數極少的幾個區域；三、區域與區域間的公共邊界盡量要平滑簡單；四、同一區域內的象素要具有相似的或一致的性質。

根據上面四個要求，文中研究了一種結合小波變換和數學形態學的分水嶺算法，此算法的主要思想是用小波變換法，接著再利用形態學中的開閉重建運算，來刪除梯度圖像中因為噪聲引起與灰度非規則擾動的局部的極值；接著采用基于前景與背景的分水嶺分割算法來進行分割。此方法基本包含四個主要的算法：一、小波去噪，二、形態學開閉重建濾波，三、標記提取，四、分水嶺分割。

3.實驗結果及仿真

首先求出原始圖像對應的灰度圖像，再得到膨脹后的圖像，膨脹是根據結構元素對圖像補集進行填充，因而它表示對圖像外部濾波處理。還需要得到腐蝕后的圖像，腐蝕是一種消除邊界點，使邊界向內部收縮的過程。可以用來消除小且無意義的物體。圖1是利用結構元素對圖像做閉運算，可以填充目標內部狹窄的裂縫和長細的窄溝，消去小的孔洞。圖2是開運算可以用來分解圖像，抽取圖像中有意義且獨立的圖像元。由圖3，4對比可知開閉重建運算比開閉運算更有效的去除圖像中的微小噪聲和細密紋理，而且保留了目標的輪廓特征。

4.結論

通過實驗分析可以得到下面的結論：文中研究了一種基于小波變換與分水嶺變換的圖像分割方法，此方法中，需要在分割之前對圖像先小波變換來去噪，再求其梯度圖像，并進行形態學的重建，標記前景和背景等預處理，這樣可以有效的減少圖像的細密紋理和噪聲，并可以減小過分割區域和積水盆的數量，最后得到的分割結果具有精確連續的邊緣與相當完整的輪廓，得到的區域閉合性較好，就不需要對分割后的圖像再進行復雜合并處理，也可以獲得有意義的分割，這種方法課有效的解決了傳統算法中存在的對細密紋理和噪聲過度敏感、過分割等問題，有效地避免了分割后處理。

參考文獻

[1]陳武凡.小波分析及其在圖像處理中的應用[M].北京：科學出版社，2002：45-49.

過分水嶺范文第5篇

【關鍵詞】車輛檢測；視頻監控；目標跟蹤；數據關聯；分水嶺算法

1.引言

多運行車輛目標跟蹤應用廣泛，特別是在視頻監控方面，很多專家學者對其進行了廣泛的研究，提出了很多車輛檢測與跟蹤的算法。[4]中在視頻跟蹤時，通過Marr小波概率核函數生成靜態背景，運動跟蹤采用SI_P粒子濾波算法，但是背景得不到及時更新。[5]利用Kalman濾波思想對運動目標的前時刻狀態信息進行預測，但是在預測中容易受到噪聲的影響。針對上述情況，利用改進的分水嶺算法能夠準確地分割圖像，同時利用分割后的圖像采用數據關聯方法進行跟蹤。

2.運動車輛的檢測

2.1 分水嶺算法

分水嶺是一種典型的地形面貌，長時間被認為是圖像分割中的有用工具。它是數學形態學的概念，并且在原始的算法上已經做了很多的修改和完善。目前，有效的分水嶺算法的發展仍然受到重視。在地形中，我們把可視化的3D圖像中在每個點上的灰度值代表高度或者是這個點的海拔高度。分水嶺的思想是很簡單的，可以通過地形特征進行解釋。眾所終知，在處理圖像的地表特征時，把它視為一種景觀，如果把這種景觀侵入水時，圖像中的區域就會被水填充。這種淹沒過程是從最小的灰度值開始，當在某一個時刻，水位達到灰度值的最大高度時，兩個或更多的集水盆就會開始連通。把能夠阻止這種連通的點連成一條線，就會在來自不同區域將要連通的地方形成了一個水壩。當水位已經達到最高峰時，所有的區域會被水壩分割開，這些地區被稱為集水盆地和水壩或線稱為分水嶺，它把輸入的圖像劃分為一組區域。經過分割后，結合輪廓區域面積的大小和形狀決定哪個區域代表的是運動車輛。分水嶺算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。另外，分水嶺算法所得到的封閉的集水盆，為分析圖像的區域特征提供了可能。

2.2 分水嶺的改進方法

2.2.1 圖像梯度的計算

如果對輸入圖像直接應用分水嶺算法，必須進行梯度計算，但通常會造成過度分割。在這個工作中先使用“Canny”邊緣檢測對于梯度的計算是一種非常魯棒的方法，并且產生封閉輪廓。

2.2.2 獲得掩膜圖像

圖像梯度計算后，用標準的Vincent-Soille分水嶺算法進行分割，獲得了分水嶺線，從而形成了掩膜圖像。利用掩膜圖像減少了在分割結果中獲得集水盆的個數。

2.2.3 分割階段

經過上面的處理后，在掩膜圖像上利用淹沒原理進行了分水嶺分割，這種分割是基于集水盆地技術。在這個被水侵入的地表圖像中，水是從圖像的最小點開始上升；在地表的灰度圖像中，像素的灰度值代表了在這個點的高度。當水流達到最高點時就停止，這樣就形成了阻止水匯合的一條壩，這個壩就是分水嶺，它把輸入圖像進行了完全劃分，形成了一系列區域，如圖2所示。

3.運動目標的跟蹤

3.1 關聯矩陣

關聯矩陣是多目標跟蹤中對目標進行觀測和軌跡進行關聯的依據，也是判斷在復雜場景中一些特殊情況的依據。常用的關聯矩陣有兩種：一種是基于連續幀中目標質心間的距離，另一種是目標相交區域的面積。本文在跟蹤過程中結合了這兩種方法，能夠對目標遮擋和重疊情況進行有效的處理，保證多目標跟蹤的準確性。假設運動目標在同一時刻不同時發生合并、分裂、消失、新增時，在連續幀目標數量不變的情況下采用質心距離的關聯矩陣；而當目標數量發生變化時采用基于相交區域面積的關聯矩陣。

3.2 基于關聯矩陣的多目標跟蹤

多目標跟蹤的過程就是為每個跟蹤目標建立目標鏈，建立相互對應的關系，同時建立相應的匹配代價函數，來跟蹤并判斷復雜情況下的各個目標的運動情況。

為解決這些問題，本文提出一種新的檢測和跟蹤多目標的算法。算法分為3個核心部分。

（1）運動物體的檢測。根據前面分水嶺算法提取的輪廓特征，如果輪廓形狀接近于六邊形并且面積大于規定的最小值，則認為該輪廓代表的是需要檢測運動目標。

（2）每個運動物置的預測以及運動模型的建立，本文采用的是Kalman濾波的方法預測運動物體的位置，并在此基礎之上建立相應的運動模型。

（3）關聯矩陣和匹配鏈表以及相應的判斷，評價跟蹤目標與前景團塊之間的質心距離、包圍矩形面積、覆蓋比例等多個因素更加準確的視頻中的遮擋重合等情況。關聯矩陣和2個鏈表關聯矩陣產生后，可以根據關聯矩陣，生成2個鏈表：目標-區塊匹配鏈表和區塊-目標匹配鏈表。

在目標區塊匹配鏈表中，匹配的區塊數量對應與關聯矩陣的行累加值，匹配的區塊數組是由關聯矩陣中對應行上不為0的元素構成。在區塊-目標匹配鏈表中，匹配的目標數量對應于關聯矩陣的列累加值。匹配的目標數組由關聯矩陣中對應列上不為0的元素構成。

4.結束語

利用基于分水嶺的分割方法，可以較準確的檢測出運行車輛；運動跟蹤時能夠正確地提取運動目標。對運動目標輪廓采用鏈表法記錄多運動目標之間的數據關聯，并跟據質心特征進行跟蹤，能夠在不同的場景中對多目標進行跟蹤并有效地處理了由于遮擋帶來的目標失蹤現象，達到了預期目標。

參考文獻

[1]黃磊，于曼曼.基于背景差分的運動目標檢測研究[J].軟件導刊，2009，6：187-189.

[2]詹群峰.基于OpenCV的視頻道路車輛檢測與跟蹤[D].2009.

[3]楊濤，李靜.一種基于貪心搜索的實時多目標遮擋處理算法[J].自動化學報，2010，3：375-384.

[4]高韜，劉正光，張軍.基于交通視頻序列的多運動目標跟蹤算法[J].中南大學學報，2010（6）：1028-1036.

[5]胡宏宇，王殿海.基于視頻監控的運動目標跟蹤算法[J].北京工業大學學報，2010，12：1683-1690.

[6]李志慧，張長海，曲昭偉，等.交通流視頻檢測中背景初始化算法研究[J].吉林大學學報（工學版），2008，38（1）：148-151.

[7]李勁菊，朱青，王耀南.一種復雜背景下運動目標檢測與跟蹤方法[J].儀器儀表學報，2010，10：2242-2247.