背景抽取(background subtraction)：在**中，作者使用的是vibe演算法，但由於vibe演算法申請了專利，因此，建議參考changedetection上的其它演算法進行背景抽取。
預處理：高斯5x5雜訊過濾，並對分割得到的前景mask進行形態學填充，blob面積小於tm
則被當成雜訊過濾。
前景檢測演算法：由於在紅綠燈處車輛等會突然停止或者啟動，因此作者修改了vibe演算法從而處理這種間歇性運動。即對相鄰的兩幀，統計blob內部灰度變化大於4的點，設其數目為np
c ，如果np
c/ar
ea(b
lob)
<
0.1 ，則將blob視為背景並進行更新，從而消除』ghost blob』(
連通塊分析：對得到前景進行連通塊分析，得到多個blob的大小和位置
特徵點：作者使用freak描述子計算特徵點(
blob模型(blob model)：它由blob大小，位置和特徵點組成，而跟蹤模型(track model)由一系列blob模型組成。
粒子團跟蹤事件：粒子團進入場景，粒子團離開場景，粒子團跟蹤丟失，多個粒子團混合，粒子團由乙個分成多個小粒子團。
粒子團匹配：計算相鄰兩幀中兩個粒子團bt
−1,b
t 之間的特徵點的海明距離，再進行比例測試和對稱性測試。
比例測試：得到特徵點最優匹配距離和次優匹配距離,檢測其比例，如果比例接近1，則放棄這個匹配。（考慮區分性，匹配獨一無二才好）。
對稱性測試：如果特徵點的匹配是對稱的，即a的匹配為b，b的匹配也為a。則認為a與b是好匹配，否則放棄這個匹配。
特徵點數目要求：當兩個粒子團中有多個特徵點（多於4）時，則認為粒子團匹配成功。
重疊檢測：當粒子團重疊時，可以得到重疊的關係。
1->n 粒子團匹配多個粒子團
n->1 多個粒子團重疊
0->1 沒有得到匹配的粒子團（當前幀中的粒子團，沒有得到匹配）
1->0 丟失的粒子團（上一幀的粒子團，在當前幀中沒有出現）
跟蹤狀態：
跟蹤模型更新：
1->1 保持正常狀態。
1->0 當粒子團丟失狀態持續nr
次時，狀態將被刪除。
0->1 如果blob模型與丟失的狀態相似（有4個特徵點匹配），那麼丟失狀態將更新的正常狀態。否則，新建乙個假設狀態，如果在接下來3幀中沒有檢測到該目標，則直接刪除. 反之，如果連線3幀檢測到該目標，則置為正常狀態。
n->1 如果多個粒子團相互交叉，則新建乙個狀態群，並對狀態群中的每乙個目標狀態單獨進行更新。
1-n 解散狀態群。
邊界問題：如果乙個跟蹤到達場景的邊界，則更新為離開狀態。如果下一幀沒有跟蹤到，則刪除。如果乙個退出的跟蹤改變方向進入場景，需要3個特徵匹配從而確認這是相同的跟蹤。如果相同，則更新為正常狀態，否則，刪除並新建。
邊界同一目標檢測
過分割與狀態群建立
欠分割與狀態群解散
今目標，金目標
今天的今目標，明天的金目標。大家都是今目標有萬般的優點，但是為什麼還是不做呢？1.對公尺總而言 1.1時刻掌握專案進度最新動態 通過今目標能夠看出每人的進度，在 出現了問題？怎樣解決？進而幫助我們盡快步入正軌。僅僅有對每乙個人的情況瞭如指掌，才幹更加針對性的制定出不同的解決方式。目的不在於處罰，而在...
目標經常不是目標
開車上下班，常看到要速度不要安全的。為了三秒鐘闖紅燈的，為了多走幾公尺就在後面狂閃燈的，更有一路狂飆，在高架上蛇行的。如果你說他們是趕時間，我看未必。這只是個習慣。其實真實的原因，絕非別人以為甚至是自己以為的那個目標。很多人就是為了這種競爭或者動腦子的樂趣。說是為了趕時間的，說不定回家就是坐在沙發上...
窮人跟懶人 富人跟勤快人
1.自我認知 窮人 很少想到如何去賺錢和如何才能賺到錢，認為自己一輩子就該這樣，不相信會有什麼改變。富人 骨子裡就深信自己生下來不是要做窮人，而是要做富人，他有強烈的賺錢意識，這也是他血液裡的東西，他會想盡一切辦法使自己致富。2.休閒 窮人 在家看電視，為肥皂劇的劇情感動得痛哭流涕，還要仿照電視裡的...