（2）基于區(qū)域的跟蹤

　　基于區(qū)域的跟蹤方法目前已有較多的應(yīng)用，例如wren等利用小區(qū)域特征進(jìn)行室內(nèi)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(duì)應(yīng)的小區(qū)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(guī)劃于不同的身體部分。通過(guò)跟蹤各個(gè)小區(qū)域塊來(lái)完成整個(gè)人的跟蹤。

　　基于區(qū)域跟蹤的難點(diǎn)是處理運(yùn)動(dòng)目標(biāo)的影子和遮擋，這或許可利用彩色信息以及陰影區(qū)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(yīng)的背景模型，并且利用背景減除方法提取運(yùn)動(dòng)區(qū)域，有效地消除了影子的影響；然后，跟蹤過(guò)程在區(qū)域、目標(biāo)、目標(biāo)群三個(gè)抽象級(jí)別上執(zhí)行，區(qū)域可以合并和分離，而人是由許多身體部分區(qū)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(qū)域跟蹤器并結(jié)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輪廓來(lái)表達(dá)運(yùn)動(dòng)目標(biāo)，并且該輪廓能夠自動(dòng)連續(xù)地更新。例如paragios與deriche利用短程線的活動(dòng)輪廓、結(jié)合level set理論在圖像序列中檢測(cè)和跟蹤多個(gè)運(yùn)動(dòng)目標(biāo)；采用基于卡爾曼濾波的活動(dòng)輪廓來(lái)跟蹤非剛性的運(yùn)動(dòng)物體；利用隨機(jī)微分方程去描述復(fù)雜的運(yùn)動(dòng)模型，并與可變形模板相結(jié)合應(yīng)用于人的跟蹤。相對(duì)于基于區(qū)域的跟蹤方法，輪廓表達(dá)有減少計(jì)算復(fù)雜度的優(yōu)點(diǎn)。如果開(kāi)始能夠合理地分開(kāi)每個(gè)運(yùn)動(dòng)目標(biāo)并實(shí)現(xiàn)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(xù)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(biāo)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(xiàn)相互遮擋時(shí)。只要質(zhì)心的速度能被區(qū)分開(kāi)來(lái)，跟蹤仍能被成功地執(zhí)行；該方法的優(yōu)點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，并能利用人體運(yùn)動(dòng)來(lái)解決遮擋問(wèn)題，但是它僅僅考慮了平移運(yùn)動(dòng)。如果結(jié)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(tǒng)使用了運(yùn)動(dòng)輪廓的角點(diǎn)作為對(duì)應(yīng)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(xù)幀間進(jìn)行匹配。

　　第3頁(yè)：目標(biāo)分類(lèi)

　　目標(biāo)分類(lèi)

　　目標(biāo)分類(lèi)的目的是從檢測(cè)到的運(yùn)動(dòng)區(qū)域中將特定類(lèi)型物體的運(yùn)動(dòng)區(qū)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(biāo)。根據(jù)可利用信息的不同，目標(biāo)分類(lèi)可以分為基于運(yùn)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(yùn)動(dòng)特性的識(shí)別利用目標(biāo)運(yùn)動(dòng)的周期性進(jìn)行識(shí)別。受顏色、光照的影響較小�；�于形狀信息的識(shí)別利用檢測(cè)出的運(yùn)動(dòng)區(qū)域的形狀特征與模板或者統(tǒng)計(jì)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(cè)出的運(yùn)動(dòng)區(qū)域的形狀特征進(jìn)行目標(biāo)分類(lèi)的方法。例如vsam采用區(qū)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(yùn)動(dòng)目標(biāo)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(duì)二維運(yùn)動(dòng)區(qū)域進(jìn)行分類(lèi)，主要是區(qū)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(zhǔn)確；kuno與watanabe使用簡(jiǎn)單的人體輪廓模式的形狀參數(shù)從圖像中檢測(cè)運(yùn)動(dòng)的人。

　　（2）基于運(yùn)動(dòng)特性的分類(lèi)

　　基于運(yùn)動(dòng)特性的分類(lèi)是利用人體運(yùn)動(dòng)的周期性進(jìn)行目標(biāo)分類(lèi)的方法。例如cutler與davis通過(guò)跟蹤感興趣的運(yùn)動(dòng)目標(biāo)，計(jì)算出目標(biāo)隨著時(shí)間變化的自相關(guān)特性，而人的周期性運(yùn)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(biāo)是否存在周期性的運(yùn)動(dòng)特性而將人識(shí)別出來(lái)；lipton通過(guò)計(jì)算運(yùn)動(dòng)區(qū)域的殘余光流來(lái)分析運(yùn)動(dòng)實(shí)體的剛性和周期性，非剛性的人的運(yùn)動(dòng)相比于剛性的車(chē)輛運(yùn)動(dòng)而言具有較高的平均殘余光流，同時(shí)它也呈現(xiàn)了周期性的運(yùn)動(dòng)特征，據(jù)此可以將人區(qū)分出來(lái)。目標(biāo)識(shí)別是系統(tǒng)對(duì)之前提取并跟蹤的目標(biāo)進(jìn)行識(shí)別和辨識(shí)。要想讓系統(tǒng)具有目標(biāo)識(shí)別和辨識(shí)能力，需要對(duì)系統(tǒng)進(jìn)行模型訓(xùn)練。就是利用已知的目標(biāo)特征（如車(chē)輛、人員、動(dòng)物等），對(duì)系統(tǒng)進(jìn)行訓(xùn)練，系統(tǒng)將會(huì)在大量已知的樣本信息上了解、學(xué)習(xí)不同目標(biāo)的特征（大小、顏色、速度、行為方式等），這樣當(dāng)系統(tǒng)發(fā)現(xiàn)一個(gè)目標(biāo)時(shí)，系統(tǒng)將自動(dòng)與已經(jīng)建立好的模型進(jìn)行比對(duì)或匹配特征，從而對(duì)目標(biāo)進(jìn)行識(shí)別和分類(lèi)。

　　行為識(shí)別

　　目標(biāo)的行為識(shí)別是近年來(lái)被廣泛關(guān)注的研究熱點(diǎn)，它是指對(duì)目標(biāo)的運(yùn)動(dòng)模式進(jìn)行分析和識(shí)別。行為識(shí)別可以簡(jiǎn)單地被認(rèn)為是時(shí)變數(shù)據(jù)的分類(lèi)問(wèn)題，即將測(cè)試序列與預(yù)先標(biāo)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(cè)目標(biāo)的行為以及行為變化，根據(jù)用戶(hù)的自定義行為規(guī)則，判斷被跟蹤目標(biāo)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(shí)別方法首先將圖像序列轉(zhuǎn)換為一組靜態(tài)形狀模式，然后在識(shí)別過(guò)程中和預(yù)先存儲(chǔ)的行為標(biāo)本相比較。模板匹配技術(shù)的優(yōu)點(diǎn)是計(jì)算復(fù)雜度低、實(shí)現(xiàn)簡(jiǎn)單，然而它對(duì)于噪聲和運(yùn)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(shì)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(yùn)動(dòng)序列可以看作為這些靜態(tài)姿勢(shì)的不同狀態(tài)之間的一次遍歷過(guò)程，在這些遍歷期間計(jì)算聯(lián)合概率。其最大值被選擇作為分類(lèi)行為的標(biāo)準(zhǔn)。目前，狀態(tài)空間模型已經(jīng)被廣泛地應(yīng)用于時(shí)間序列的預(yù)測(cè)、估計(jì)和檢測(cè)，最有代表性的是hmms。每個(gè)狀態(tài)中可用于識(shí)別的特征包括點(diǎn)、線或二維小區(qū)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(fù)雜的迭代運(yùn)算。

　　結(jié)束語(yǔ)

　　視頻監(jiān)控系統(tǒng)的核心價(jià)值在于智能視頻分析技術(shù)，由運(yùn)動(dòng)目標(biāo)檢測(cè)、分類(lèi)、跟蹤和行為識(shí)別等幾個(gè)基本節(jié)組成，還包括智能視頻檢索技術(shù)，其中行為識(shí)別又包括異常行為檢測(cè)、異常事件檢測(cè)以及視頻內(nèi)容理解描述等。近年來(lái)，智能視頻監(jiān)控技術(shù)取得長(zhǎng)足發(fā)展，應(yīng)用領(lǐng)域不斷擴(kuò)大，從自動(dòng)目標(biāo)檢測(cè)到現(xiàn)在的事件檢測(cè)、自動(dòng)目標(biāo)識(shí)別，其監(jiān)控產(chǎn)品也逐漸由模擬化向數(shù)字化、網(wǎng)絡(luò)化與智能化方向發(fā)展。