專利名稱：基于壓縮域分析的Mean shift運動目標跟蹤方法
技術領域：
本發明屬于視頻智能分析技術領域，特別涉及一種基于視頻壓縮域分析的 Meanshift運動目標跟蹤方法。
背景技術：
Mean shift算法(均值偏移算法)是一種非參數密度估計算法[1]，由Fukunaga 于1975年首先提出。其作為一種高效的模式匹配算法，已被成功地應用于實時性要求較高 的目標跟蹤系統中[2]。Dorm Comaniciu首先將Mean Shift算法應用于圖像濾波、分割與 目標跟蹤等領域[3-4]。Bradski提出以顏色直方圖為目標模式的Mean shift目標跟蹤算 法[5]。該算法先利用顏色直方圖得到每幀圖像的顏色投影圖，然后自適應調整搜索窗口的 位置和大小，并通過不斷收斂將得到的最優中心位置作為目標的中心。另外，Nummiaro等 人采用粒子濾波結合Mean shift的方法進行目標跟蹤，但是粒子濾波器本身的復雜計算降 低了跟蹤的實時性[6]。相比較其他的運動目標跟蹤算法，Mean shift算法具有如下特點(1)計算量不 大，可以滿足實時跟蹤要求；(2)對運動目標變形、旋轉，背景變化不敏感；(3)對于部分遮 擋情況下的目標跟蹤具有一定的魯棒性；(4)并且Mean shift作為一個無參估計算法，很 容易作為一個模塊與其他算法集成。Mean shift算法也存在一些不足(1)缺乏必要的模板更新算法；跟蹤過程中窗 寬的大小保持不變，當目標有尺度變化時，可能跟蹤失敗；(2)直方圖是一種比較弱的對目 標特征的描述，當背景和目標的顏色分布較相似時，算法效果欠佳。(3)當場景中目標的運 動速度很快時，目標區域在相鄰兩幀間會出現沒有重疊的區域的情況，目標此時往往收斂 于背景中與目標顏色分布比較相似的物體，而不是場景中的目標。上述引用的參考文獻1. Fukunaga K, Hostetler L. The Estimation of the gradient of a density function, with applications in pattern recognition[J]. IEEE Trans.On Inform, theory,1975,21(1) 322. Cheng Y. Mean Shift, Mode Seeking, and Clustering[J]. IEEE Trans on PatternAnal. Machine Intell.1995，17 (8) 7903. Comaniciu. D, Meer. P. Mean shift analysis and application [J]. Proceedingsof the Seventh IEEE International Conference Computer Vision, Kerkyra, Greece,19992 :1197_1203.4.Comaniciu D, Ramesh V, Meer P Real-time Tracking of Non-rigid Objects UsingMean Shift[A] · In !Proceedings of the IEEE Conference on CVPR[C], Hilton Head, SC, USA, 2000 142-1495. Bradski G R. Computer Vision Face Tracking for Use in Perce-ptual UserInterface[EB/0L]. 1998. http://www. cse. psu. edu/ rcol1 ins/CSE598G/papers/
發明內容
本發明針對Mean shift算法在快速運動目標跟蹤表現出的不足，提出改進的運動 目標跟蹤方法，以提高目標跟蹤的準確性。本發明所提供基于壓縮域分析的Meanshift運動目標跟蹤方法，基于Meanshift 算法實現目標跟蹤，在Meanshift算法的搜索過程中，利用壓縮域的運動矢量分析結果修 正Meanshift算法中每一幀搜索起點中心位置坐標；所述壓縮域的運動矢量分析結果通過以下步驟獲取，步驟1，對壓縮域的運動矢量進行預處理，即直接在編碼過程中獲取壓縮域的運動 矢量，并對運動矢量進行噪聲濾波處理；步驟2，對步驟1預處理后所得的運動矢量進行分析，包括2個步驟，首先，對運動矢量進行方向編碼；所述運動矢量的方向編碼定義為，運動矢量垂直 分量與水平分量的夾角為運動矢量的方向角，運動矢量方向角的范圍為0 2 π，將其劃分 成8個區間，量化系數為π/4，方向角屬于哪個區間，即生成與這個區間相應的方向編碼；然后，根據方向編碼結果，計算運動矢量的方向與大小統計值；根據運動矢量的方 向與大小統計值，預測運動目標的運動速度與方向作為運動矢量分析結果；利用壓縮域的運動矢量分析結果進行修正的Meanshift算法搜索過程，包括以下 步驟，步驟一，在第1幀圖像中選擇目標區域，該目標區域的中心位置記為目標區域中 心點％ ；以第2幀圖像為待處理的當前幀圖像，步驟二，針對當前幀圖像運動矢量獲取壓縮域的運動矢量分析結果，根據該結果 修正目標區域中心點yo，修正后得到當前幀圖像的候選區域中心點為r Q ；步驟三，根據步驟二修正所得候選區域中心點y^進行Meanshift搜索，每次收斂 得到運動目標中心點Y1，不斷迭代收斂直到IIy1I' ol I < ε則停止迭代，其中ε表示上 一次收斂所得Y1和本次收斂所得Y1的偏差的預設閾值；將目標區域中心點知移動到迭代 停止時運動目標中心Ay1的所在位置，以下一幀圖像為待處理的當前幀圖像，返回繼續執 行步驟二針對下一幀圖像進行修正和Mean shift搜索。而且，運動矢量的方向編碼定義中，將8個區間的方向編碼設為0、1、2、3、5、6、7，
方向編碼的編碼值計算公式為
(MV \,C
(arc這 _^ +-)/Δθ (-<§<—)C..= \MV 888
U\ xj
0otherwise其中Cij是圖像中第i行第j列個宏塊的運動矢量編碼，Cij e (0,7), MVx是運動 矢量在X軸上的分量，MVy是運動矢量在y軸方向上的分量d為運動矢量方向夾角，Δ θ為 量化系數η/4。
而且，所述運動矢量分析結果包括跟蹤目標的預測運動方向^和預測運動速度Γ， 具體獲取實現方式如下，步驟3. 1，求運動目標區域中所有運動矢量的方向編碼概率密度分布，即 g，/e(0，7)4為運動矢量方向編碼在第i個方向上的概率，建立運動矢量方向編碼直方圖；步驟3. 2，根據運動矢量的方向概率密度分布，得到運動矢量方向編碼最大概率密 度
如果Pmax超過預設的閾值，則繼續執行步驟3. 3對其運動方向和運動速度 進行估計，否則認為該運動目標區域的運動方向和運動速度全為0 ；步驟3.3，取及凡⑽的所有運動矢量MF； (1彡i彡N)，N為運動目標區域中 及=Pmax的運動矢量個數；步驟3. 4，定義平均運動矢量， 其在X方向分量的均值為Wx ^ ；71^'，其在Y方向分量的均值為 預測運動速度F 預測運動方向 而且，根據運動矢量分析結果，按照以下公式修正目標區域中心點％ 其中α為中心點修正因子，α ( 1，當預測運動速度f越大時α越小，預測運 動速度^越小時α越大，當預測運動速度斤為0時α為1。本發明針對壓縮域已有的運動矢量信息進行統計分析，預測運動目標的運動速度 和方向的估計值，并利用預測結果對Meanshift算法中每一幀搜索起點中心位置坐標進行 修正，繼續Meanshift跟蹤，獲取更好的跟蹤效果。這種利用視頻編碼壓縮域分析與Mean shift相結合的跟蹤方案，可以減少傳統Mean shift算法運動目標的跟蹤丟失問題，提高 目標跟蹤的準確性，減少Mean shift收斂次數，提高CPU運算效率。
圖1為現有技術中攝像頭的運動矢量分析圖；圖2為現有技術中運動目標運動矢量分析圖；圖3為本發明實施例中運動矢量方向編碼示意圖；圖4為傳統的Mean shift算法與本發明的迭代次數對比示意圖。
具體實施方式
目前一般采用的解決方法是結合卡爾曼濾波或粒子濾波來對運動目標空間運動 位置進行預測，結合基于顏色直方圖的Mean shift算法，采用這兩種方法進行跟蹤，采用不 同的比例因子將兩個跟蹤結果進行線性加權，從而得到目標的最終位置。此類算法的思路 是考慮到目標運動速度過快，導致運動目標超過Mean shift的收斂范圍，如果通過預測來 初步定位運動目標在下一幀的位置，作為Mean shift搜索中心位置的參考，然后再在中心 點位置進行更精細的Mean shift搜索，精確定位運動目標。但這類方法需要對圖像進行復 雜的濾波預測計算，使跟蹤效率降低。考慮到目前視頻分析技術在DSP的應用中多需要在 同一塊芯片中同時實現視頻編碼、目標跟蹤等算法，據此，可以利用視頻編碼在運動估計時 得到的宏塊運動矢量信息，進行概率統計計算目標的運動方向和速度估計值，并預測運動 目標在下幀圖像中的空間位置，以此來修正Mean shift算法的中心位置。1.為了便于理解本發明技術，首先介紹Meanshift算法如下Mean shift算法是一種非參數概率密度估計算法，可以通過迭代快速的收斂于概 率密度函數的局部極大值。算法的跟蹤過程就是不斷尋找概率密度局部最大值的過程，步 驟如下1)目標模型的描述首先是目標的初始化，在首幀圖像中確定被跟蹤目標的目標區域，可以通過手工 選擇的方式來確定目標區域，也可以根據運動檢測的結果自動選取目標區域。目標區域的 中心為Xtl，那么，對目標模型可以描述為在目標區域上的所有特征值的概率值，該特征值一 般采用HSV顏色特征或其它特征。目標模型的特征值U = l，...，m，作為顏色特征，m表示 顏色特征值區間劃分的個數，如m = 256表示將顏色區間劃分為256個等分，也可以進行更 粗的劃分，如m = 100，則表示將顏色特征值劃分為100個等分。估計的概率密度為 式中xQ是搜索窗(η個像素)的中心像素坐標，Xi是第i個像素的坐標Κ(| χ I2) 是核函數，h表示核函數的帶寬，一般等于搜索窗口寬度的一半函數。b(Xi)函數的作用是 判斷目標區域中象素Xi的顏色值是否屬于特征值U。δ (χ)是 Delta 函數，如果 b (Xi) ==u，則 δ [b (Xi) _u]值為 1，否則為 0。C 是一
個標準化的常量系數，使得Σ禮=1。其中由于目標模型中心附近的象素比外圍象素更可靠，因此Κ(| χ I2)對中心的 象素給一個大的權值，而遠離中心的象素給一個小的權值。2)候選模型的描述運動目標在第二幀及以后的每幀中，可能包含目標的區域稱為候選區域，其中心
坐標為y，候選模型的特征值u = 1，...，m的概率密度為
…⑵Ch是一個標準化的常量系數，使得所有特征值的概率和為1 ；nh為候選區域中像素的個數。3)相似性函數相似性函數描述目標模型和候選模型之間的相似程度，使用Bhattacharyya系數 作為相似性函數
其值在0 i之間。例力的值越大，表示兩個模型越相似。4)目標定位為使/3(力最大，在當前幀的目標中心先定位為前一幀中目標中心的位置yQ，從這 一點開始尋找最優匹配的目標，其中心為yi。先對函數式(3)在/30；。)處進行泰勒展開，相 似性函數可近似為 其中…⑶ 令 就是在有權值Wi時的核密度估計，通過對相似性函數求最大值，可計算Mean Shift向量yi-yQ，在每次的Mean Shift迭代中，若My1ItlII < ε , ε表示上一次收斂的 中心和本次收斂的中心位置偏差的預設閾值，以便提供迭代停止條件。一般情況下，可設定 前后兩次收斂的位置相同，即ε = 1，那么當Y1 = Ytl時則停止迭代，目標區域的中心位置 都會由％移動到新的位置yi。 其中g(χ)= -k' (x);這樣，目標區域由初始位置逐步移動到真實的目標位置。根據函數式(4)可知，相似性函數在/50。)處進行泰勒展開，泰勒展開要求是在鄰 域內展開，這就限制了啟始點yo和y的距離不能太大，如果運動速度過快，則Mean shift的 跟蹤效果不好。2.本發明提出在Meanshift算法的搜索過程中，利用壓縮域的運動矢量分析結果 修正Meanshift算法中每一幀搜索起點中心位置坐標。壓縮域分析實現說明如下視頻監控圖像序列中一般不會出現場景突變的情況，因此壓縮域中的運動矢量具 有連貫特性，采用對運動矢量的統計分析可計算出運動目標的運動方向、速度等重要參數。對于視頻監控圖像，一般造成目標運動的原因主要有以下幾種攝像頭的運動、現 場物體的運動、以及攝像頭和現場物體同時運動。本發明將“攝像頭的運動”分成4種左移運動、右移運動、上移運動和下移運動(如圖1)。將“現場物體的運動”分成10種8個 方向上的運動(上、下、左、右、左上、右上、左下、右下)、運動目標的遠離和靠近(如圖2)。在攝像頭運動、現場物體運動、攝像頭和現場物體同時運動的三種不同情況下，對 圖像運動矢量進行統計分析可知，當攝像頭靜止時，背景區域運動矢量幾乎全為0，運動目 標區域才會有運動矢量的產生。當攝像頭運動時，整幅圖像都屬于背景，所有運動矢量幾乎 一致。對于攝像頭和物體一起運動的情況，背景區域運動矢量大部分是一致的，運動目標區 域的運動矢量與背景區的運動矢量在方向上不一致，運動目標區域存在自己局部的統計特 性。因此，實施例中壓縮域的運動矢量分析結果通過以下步驟獲取1)壓縮域運動矢量預處理 一般視頻編碼主要考慮的是碼流的壓縮效率而非估計的準確性，所以得到的運動 矢量并不能完全代表真實的運動情況，因此運動目標區域宏塊的所有運動矢量并不一定朝 向同一個方向。其次，外界環境的變化，攝像頭移動以及其它噪聲的影響，都會在視頻編碼 過程中產生相應的運動矢量，這些運動矢量不利于運動目標的檢測結果，需要進行運動矢 量的預處理。對于小于一定閾值的運動矢量，為噪聲可能性很大，可以濾除如下。Ixy= |MVX ι+ IMVy ι，其中MVx是運動矢量Ixy在1軸上的分量，MVy是運動矢量Ixy在 y軸方向上的分量。實施時可取濾波閾值為τ ( 一般可取T = 2)，如果Ixy < T，則令Ixy = O02)壓縮域運動矢量方向編碼設置運動矢量的方向編碼如圖3，運動矢量方向角的范圍為0 ，將其劃分成 8個區間(0 7區間)，量化系數為π/4。15 π /8 1 π /8為0區間、π /8 3 π /8為1區 |1]、3 π /8 ~ 5 π /8 2 Efi],5 π /8 ~ 7 π /8 3 Efi],7 π /8 ~ 9 π /8 4 g|l]、9 π/8 ~ 11 π/8為5區間、11 Ji/8 13JI/8為6區間、13 π/8 15 π/8為7區間。運動矢量垂直 分量與水平分量的夾角即為運動矢量的方向角Θ，可求得tg0 =MVy/MVx，方向角θ屬于 圖中的哪個區間，即可生成這個區間的方向編碼。 實施例將8個區間的方向編碼設為0、1、2、3、5、6、7，則相應方向編碼采用公式為 (MV λ 其中Cij是圖像中第i行第j列個宏塊的運動矢量編碼，Cij e (0,7), MVx是運動 矢量在X軸上的分量，MVy是運動矢量在y軸方向上的分量j為運動矢量方向夾角，Δ θ為 量化系數η/4。3)估計目標的運動方向與速度對于靜止攝像頭，背景區域宏塊的運動矢量基本上都為0，僅運動目標區域存在運 動矢量，可以對運動目標的運動方向和運動速度進行估計，實施例實現步驟如下(1)求運動目標區域中所有運動矢量的方向編碼概率密度分布，即先^(0，7)，其 為運動矢量方向編碼在8個方向上的概率，建立運動矢量方向編碼直方圖。(2)根據運動矢量的方向概率密度分布，得到運動矢量方向編碼最大概率密度 Pmax = MaxiPi)，如果Pmax超過預設的一定閾值(一般取50% 90% )，表示在運動區域內運動方向指向同一個方向的運動矢量的個數超過一定的比例，則表示運動目標具有整體位移 的特性，可以對其運動方向和運動速度進行估計，否則直接認為該目標區域的運動方向和 速度全為O (即預測運動方向^和預測運動速度斤均設為0)。(3)取眾=Pmax的所有運動矢量MF； (1彡i彡N)，N為運動目標區域中眾=Pmax的
運動矢量個數；(4)定義平均運動矢量，其在X方向和Y方向分量的均值為 預測運動速度浐 預測運動方向沒= arc/g ‘ …(10)對于攝像機運動情況，整幅圖像的大多數的運動矢量會朝向同一個方向，當整幀 圖像同一方向的運動矢量概率密度大于一定的閾值，則認為有攝像頭運動。此時，仍只需考 慮當前運動目標區域的運動矢量方向編碼概率密度統計特性，根據運動矢量方向編碼直方 圖可以獲取運動目標的運動方向與速度。3.本算法流程本文提出的算法根據運動矢量估計得到的目標運動方向與速度，修正候選區域的 中心坐標，然后結合Mean shift搜索，得到搜索結果。實施例步驟如下步驟一，在第1幀圖像中選擇目標區域，該目標區域的中心位置記為目標區域中 心點L ；以第2幀圖像為待處理的當前幀圖像。第1幀圖像中的目標區域可以是手動標注， 也可以是根據運動檢測的結果自動獲取。步驟二，針對當前幀圖像運動矢量獲取壓縮域的運動矢量分析結果，根據該結果 修正目標區域中心點yo，修正后得到當前幀圖像的候選區域中心點為r。。根據運動搜索得到的目標區域運動矢量分析，可得到跟蹤目標的預測運動方向g、 速度f，根據中心點％修正當前候選區域的中心點為r ο y0=ay0+{\-a)MVxy,..,(11)其中α，(0彡α彡1)為中心點修正因子，可表示為中心點與運動速度的相關性 大小，運動速度越快，則平均運動矢量的對中心點的修正作用越大，即當速度^越大，則α 越小；反之，如果運動速度越慢，則平均運動矢量對中心點的修正作用越小，則α越大；如 果運動速度為0，則不需要修正，直接采用％作為中心點。步驟三，根據修正的中心點進行Mean shift搜索，每次收斂得到運動目標中 心點yi，不斷的迭代收斂，若I Iy1IcJ I < ε則停止迭代，其中ε表示上一次收斂的中心和 本次收斂的中心位置偏差的大小，一般情況下，前后兩次收斂的位置相同，即ε = 1, Y1 = Y0則停止迭代。將目標區域中心點％移動到迭代停止時運動目標中心點Y1的所在位置，以 下一幀圖像為待處理的當前幀圖像，返回繼續執行步驟二針對下一幀圖像進行修正和Mean shift搜索。
即根據目標區域中心點％和運動矢量分析結果，將第2幀圖像的候選區域中心點 修正為y’ 0，然后進行Mean shift搜索，將目標區域的中心位置由y(l移動到搜索所得新位 置即得到新的目標區域中心點I0 ；返回繼續步驟二，根據新的目標區域中心點％和運動 矢量分析結果，就可以修正第3幀圖像的候選區域中心點得到新的r C1，然后再進行步驟三 進行Meanshift搜索，目標區域的中心位置由yQ移動到此次搜索所得新位置Y1…依次類推， 直到所需處理的圖像幀處理完成，即可完成工作。4.實驗結果及分析為了驗證本發明技術效果，可以進行相關實驗。例如實驗采用基于HSV顏色特征 概率密度的Mean shift算法進行運動跟蹤，并采用MPEG-4編碼運動估計算法獲取圖像宏 塊的運動矢量，原始圖像大小為320X240，幀率30fps，通過大量的序列圖像對本發明所提 供方案進行了測試，可發現在快速運動目標場景下跟蹤的準確度有明顯提高。在智能視頻 監控中采用傳統的Mean shift算法，因出現運動目標速度太快而會發生丟失跟蹤的情況。 而本發明對傳統算法進行修正后，則可以很快得到運動目標，且算法跟蹤快 速運動目標的 準確度得到明顯提高。另外，算法跟蹤效率提高，相比傳統的Mean shift算法，基于運動矢 量分析的Mean shift算法，在處理相同視頻幀數時其迭代次數明顯減少，一般最多迭代3 次就可以找到運動目標所在的中心位置，從而提高了 Mean shift的運算效率。
權利要求
一種基于壓縮域分析的Meanshift運動目標跟蹤方法，基于Meanshift算法實現目標跟蹤，其特征在于在Meanshift算法的搜索過程中，利用壓縮域的運動矢量分析結果修正Meanshift算法中每一幀搜索起點中心位置坐標；所述壓縮域的運動矢量分析結果通過以下步驟獲取，步驟1，對壓縮域的運動矢量進行預處理，即直接在編碼過程中獲取壓縮域的運動矢量，并對運動矢量進行噪聲濾波處理；步驟2，對步驟1預處理后所得的運動矢量進行分析，包括2個步驟，首先，對運動矢量進行方向編碼；所述運動矢量的方向編碼定義為，運動矢量垂直分量與水平分量的夾角為運動矢量的方向角，運動矢量方向角的范圍為0～2π，將其劃分成8個區間，量化系數為π/4，方向角屬于哪個區間，即生成與這個區間相應的方向編碼；然后，根據方向編碼結果，計算運動矢量的方向與大小統計值；根據運動矢量的方向與大小統計值，預測運動目標的運動速度與方向作為運動矢量分析結果；利用壓縮域的運動矢量分析結果進行修正的Meanshift算法搜索過程，包括以下步驟，步驟一，在第1幀圖像中選擇目標區域，該目標區域的中心位置記為目標區域中心點y0；以第2幀圖像為待處理的當前幀圖像，步驟二，針對當前幀圖像運動矢量獲取壓縮域的運動矢量分析結果，根據該結果修正目標區域中心點y0，修正后得到當前幀圖像的候選區域中心點為y’0；步驟三，根據步驟二修正所得候選區域中心點y’0進行Meanshift搜索，每次收斂得到運動目標中心點y1，不斷迭代收斂直到||y1-y’0||＜ε則停止迭代，其中ε表示上一次收斂所得y1和本次收斂所得y1的偏差的預設閾值；將目標區域中心點y0移動到迭代停止時運動目標中心點y1的所在位置，以下一幀圖像為待處理的當前幀圖像，返回繼續執行步驟二針對下一幀圖像進行修正和Mean shift搜索。
2.根據權利要求1所述的Meanshift運動目標跟蹤方法，其特征是運動矢量的方向 編碼定義中，將8個區間的方向編碼設為0、1、2、3、5、6、7，方向編碼的編碼值計算公式為 其中是圖像中第i行第j列個宏塊的運動矢量編碼，C.j G (0,7)，MVX是運動矢量 在x軸上的分量，MVy是運動矢量在y軸方向上的分量j為運動矢量方向夾角，A 0為量化 系數n/4。
3.根據權利要求2所述的Meanshift運動目標跟蹤方法，其特征是所述運動矢量分 析結果包括跟蹤目標的預測運動方向^和預測運動速度f，具體獲取實現方式如下，步驟3. 1，求運動目標區域中所有運動矢量的方向編碼概率密度分布，即&/e(0，7) ,Pt 為運動矢量方向編碼在第i個方向上的概率，建立運動矢量方向編碼直方圖；步驟3. 2，根據運動矢量的方向概率密度分布，得到運動矢量方向編碼最大概率密度 Pmax = Max(P)，如果P_超過預設的閾值，則繼續執行步驟3. 3對其運動方向和運動速度進 行估計，否則認為該運動目標區域的運動方向和運動速度全為0 ；步驟3. 3，取及=的所有運動矢量(1彡i彡N)，N為運動目標區域中及=pmax的運動矢量個數；步驟3. 4，定義平均運動矢量 其在X方向分量的均值為 其在Y方向分量的均值為 預測運動速度F 預測運動方向々
4.根據權利要求3所述的Meanshift運動目標跟蹤方法，其特征是步驟二中，根據運 動矢量分析結果，按照以下公式修正目標區域中心點h y0 其中a為中心點修距因子，a ( 1，當預測運動速度越大時a越小，預測運動速 度盧越小時a越大，當預測運動速度；？為0時a為1。
全文摘要
本發明提供了一種基于視頻壓縮域分析的Mean shift運動目標跟蹤方法。該方法將壓縮域分析與Mean shift跟蹤算法相結合，即首先對視頻編碼過程中產生的運動矢量進行概率統計分析，以獲取目標運動方向與運動速度的估計值，再以此修正Mean shift運動候選區域的中心位置，使每次搜索開始時，候選中心位置更接近實際目標中心位置。本發明的技術方案不僅提高了快速運動目標跟蹤的精度，而且減少了算法的搜索迭代次數，提高了運算效率。該方案尤其適用于智能視頻監控設備中的視頻編碼與目標跟蹤同時進行的情況。
文檔編號H04N7/20GK101867798SQ20101018139
公開日2010年10月20日 申請日期2010年5月18日 優先權日2010年5月18日
發明者傅佑銘, 常軍, 王中元, 田綱, 胡瑞敏 申請人:武漢大學