（2）基于區域的跟蹤
基于區域的跟蹤方法目前已有較多的應用，例如wren等利用小區域特征進(jìn)行室內單人的跟蹤，文中將人體看作由頭、軀干、四肢等身體部分所對應的小區域塊所組成，利用高斯分布建立人體和場(chǎng)景的模型，屬于人體的像素被規劃于不同的身體部分。通過(guò)跟蹤各個(gè)小區域塊來(lái)完成整個(gè)人的跟蹤。
基于區域跟蹤的難點(diǎn)是處理運動(dòng)目標的影子和遮擋，這或許可利用彩色信息以及陰影區域缺乏紋理的性質(zhì)來(lái)加以解決，如mckenna等首先利用色彩和梯度信息建立自適應的背景模型，并且利用背景減除方法提取運動(dòng)區域，有效地消除了影子的影響；然后，跟蹤過(guò)程在區域、目標、目標群三個(gè)抽象級別上執行，區域可以合并和分離，而人是由許多身體部分區域在滿(mǎn)足幾何約束的條件下組成的，同時(shí)人群又是由單個(gè)的人組成的，因此利用區域跟蹤器并結合人的表面顏色模型，在遮擋情況下也能夠較好地完成多人的跟蹤。
（3）基于活動(dòng)輪廓的跟蹤
基于活動(dòng)輪廓的跟蹤思想是利用封閉的曲線(xiàn)輪廓來(lái)表達運動(dòng)目標，并且該輪廓能夠自動(dòng)連續地更新。例如paragios與deriche利用短程線(xiàn)的活動(dòng)輪廓、結合level set理論在圖像序列中檢測和跟蹤多個(gè)運動(dòng)目標；采用基于卡爾曼濾波的活動(dòng)輪廓來(lái)跟蹤非剛性的運動(dòng)物體；利用隨機微分方程去描述復雜的運動(dòng)模型，并與可變形模板相結合應用于人的跟蹤。相對于基于區域的跟蹤方法，輪廓表達有減少計算復雜度的優(yōu)點(diǎn)。如果開(kāi)始能夠合理地分開(kāi)每個(gè)運動(dòng)目標并實(shí)現輪廓初始化的話(huà)，既使在有部分遮擋存在的情況下也能連續地進(jìn)行跟蹤，然而初始化通常是很困難的。
（4）基于特征的跟蹤
基于特征的跟蹤包括特征的提取和特征的匹配兩個(gè)過(guò)程。一個(gè)很好的例子是點(diǎn)特征跟蹤，將每個(gè)目標用一個(gè)矩形框封閉起來(lái)，封閉框的質(zhì)心被選擇作為跟蹤的特征；在跟蹤過(guò)程中若兩人出現相互遮擋時(shí)。只要質(zhì)心的速度能被區分開(kāi)來(lái)，跟蹤仍能被成功地執行；該方法的優(yōu)點(diǎn)是實(shí)現簡(jiǎn)單，并能利用人體運動(dòng)來(lái)解決遮擋問(wèn)題，但是它僅僅考慮了平移運動(dòng)。如果結合紋理、彩色及形狀等特征可能會(huì )進(jìn)一步提高跟蹤的魯棒性。另外，segen與pingali的跟蹤系統使用了運動(dòng)輪廓的角點(diǎn)作為對應特征，這些特征點(diǎn)采用基于位置和點(diǎn)的曲率值的距離度量在連續幀間進(jìn)行匹配。
第3頁(yè)：目標分類(lèi)
目標分類(lèi)
目標分類(lèi)的目的是從檢測到的運動(dòng)區域中將特定類(lèi)型物體的運動(dòng)區域提取出來(lái)，例如分類(lèi)場(chǎng)景中的人、車(chē)輛、人群等不同的目標。根據可利用信息的不同，目標分類(lèi)可以分為基于運動(dòng)特性的分類(lèi)和基于形狀信息的分類(lèi)兩種方法。基于運動(dòng)特性的識別利用目標運動(dòng)的周期性進(jìn)行識別。受顏色、光照的影響較小。基于形狀信息的識別利用檢測出的運動(dòng)區域的形狀特征與模板或者統計量進(jìn)行匹配。
（1）基于形狀信息的分類(lèi)
基于形狀信息的分類(lèi)是利用檢測出的運動(dòng)區域的形狀特征進(jìn)行目標分類(lèi)的方法。例如vsam采用區域的分散度、面積、寬高比等作為特征。利用三層神經(jīng)網(wǎng)絡(luò )方法將運動(dòng)目標劃分為人、人群、車(chē)和背景干擾；lipton等利用分散度和面積信息對二維運動(dòng)區域進(jìn)行分類(lèi)，主要是區分人、車(chē)及混亂擾動(dòng)，時(shí)間一致性約束使其分類(lèi)更加準確；kuno與watanabe使用簡(jiǎn)單的人體輪廓模式的形狀參數從圖像中檢測運動(dòng)的人。
（2）基于運動(dòng)特性的分類(lèi)
基于運動(dòng)特性的分類(lèi)是利用人體運動(dòng)的周期性進(jìn)行目標分類(lèi)的方法。例如cutler與davis通過(guò)跟蹤感興趣的運動(dòng)目標，計算出目標隨著(zhù)時(shí)間變化的自相關(guān)特性，而人的周期性運動(dòng)使得其自相關(guān)也是周期性的，因此通過(guò)時(shí)頻化方法分析目標是否存在周期性的運動(dòng)特性而將人識別出來(lái)；lipton通過(guò)計算運動(dòng)區域的殘余光流來(lái)分析運動(dòng)實(shí)體的剛性和周期性，非剛性的人的運動(dòng)相比于剛性的車(chē)輛運動(dòng)而言具有較高的平均殘余光流，同時(shí)它也呈現了周期性的運動(dòng)特征，據此可以將人區分出來(lái)。目標識別是系統對之前提取并跟蹤的目標進(jìn)行識別和辨識。要想讓系統具有目標識別和辨識能力，需要對系統進(jìn)行模型訓練。就是利用已知的目標特征（如車(chē)輛、人員、動(dòng)物等），對系統進(jìn)行訓練，系統將會(huì )在大量已知的樣本信息上了解、學(xué)習不同目標的特征（大小、顏色、速度、行為方式等），這樣當系統發(fā)現一個(gè)目標時(shí)，系統將自動(dòng)與已經(jīng)建立好的模型進(jìn)行比對或匹配特征，從而對目標進(jìn)行識別和分類(lèi)。
行為識別
目標的行為識別是近年來(lái)被廣泛關(guān)注的研究熱點(diǎn)，它是指對目標的運動(dòng)模式進(jìn)行分析和識別。行為識別可以簡(jiǎn)單地被認為是時(shí)變數據的分類(lèi)問(wèn)題，即將測試序列與預先標定的代表典型行為的參考序列進(jìn)行匹配。通過(guò)在跟蹤過(guò)程中檢測目標的行為以及行為變化，根據用戶(hù)的自定義行為規則，判斷被跟蹤目標的行為是否存在威脅。
（1）模板匹配方法
采用模板匹配技術(shù)的行為識別方法首先將圖像序列轉換為一組靜態(tài)形狀模式，然后在識別過(guò)程中和預先存儲的行為標本相比較。模板匹配技術(shù)的優(yōu)點(diǎn)是計算復雜度低、實(shí)現簡(jiǎn)單，然而它對于噪聲和運動(dòng)時(shí)間間隔的變化是敏感的。
（2）狀態(tài)空間方法
基于狀態(tài)空間模型的方法定義每個(gè)靜態(tài)姿勢作為一個(gè)狀態(tài)，這些狀態(tài)之間通過(guò)某種概率聯(lián)系起來(lái)。任何運動(dòng)序列可以看作為這些靜態(tài)姿勢的不同狀態(tài)之間的一次遍歷過(guò)程，在這些遍歷期間計算聯(lián)合概率。其最大值被選擇作為分類(lèi)行為的標準。目前，狀態(tài)空間模型已經(jīng)被廣泛地應用于時(shí)間序列的預測、估計和檢測，最有代表性的是hmms。每個(gè)狀態(tài)中可用于識別的特征包括點(diǎn)、線(xiàn)或二維小區域。狀態(tài)空間方法雖然能克服模板匹配的缺點(diǎn)，但通常涉及到復雜的迭代運算。
結束語(yǔ)
視頻監控系統的核心價(jià)值在于智能視頻分析技術(shù)，由運動(dòng)目標檢測、分類(lèi)、跟蹤和行為識別等幾個(gè)基本節組成，還包括智能視頻檢索技術(shù)，其中行為識別又包括異常行為檢測、異常事件檢測以及視頻內容理解描述等。近年來(lái)，智能視頻監控技術(shù)取得長(cháng)足發(fā)展，應用領(lǐng)域不斷擴大，從自動(dòng)目標檢測到現在的事件檢測、自動(dòng)目標識別，其監控產(chǎn)品也逐漸由模擬化向數字化、網(wǎng)絡(luò )化與智能化方向發(fā)展。
