（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用，例如wren等利用小區(qū)域特征進行室內單人的跟蹤，文中將人體看作由頭、軀干、四肢等身體部分所對應的小區(qū)域塊所組成，利用高斯分布建立人體和場景的模型，屬于人體的像素被規(guī)劃于不同的身體部分。通過跟蹤各個小區(qū)域塊來完成整個人的跟蹤。

　　基于區(qū)域跟蹤的難點是處理運動目標的影子和遮擋，這或許可利用彩色信息以及陰影區(qū)域缺乏紋理的性質來加以解決，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區(qū)域，有效地消除了影子的影響；然后，跟蹤過程在區(qū)域、目標、目標群三個抽象級別上執(zhí)行，區(qū)域可以合并和分離，而人是由許多身體部分區(qū)域在滿足幾何約束的條件下組成的，同時人群又是由單個的人組成的，因此利用區(qū)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）基于活動輪廓的跟蹤

　　基于活動輪廓的跟蹤思想是利用封閉的曲線輪廓來表達運動目標，并且該輪廓能夠自動連續(xù)地更新。例如paragios與deriche利用短程線的活動輪廓、結合level set理論在圖像序列中檢測和跟蹤多個運動目標；采用基于卡爾曼濾波的活動輪廓來跟蹤非剛性的運動物體；利用隨機微分方程去描述復雜的運動模型，并與可變形模板相結合應用于人的跟蹤。相對于基于區(qū)域的跟蹤方法，輪廓表達有減少計算復雜度的優(yōu)點。如果開始能夠合理地分開每個運動目標并實現輪廓初始化的話，既使在有部分遮擋存在的情況下也能連續(xù)地進行跟蹤，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過程。一個很好的例子是點特征跟蹤，將每個目標用一個矩形框封閉起來，封閉框的質心被選擇作為跟蹤的特征；在跟蹤過程中若兩人出現相互遮擋時。只要質心的速度能被區(qū)分開來，跟蹤仍能被成功地執(zhí)行；該方法的優(yōu)點是實現簡單，并能利用人體運動來解決遮擋問題，但是它僅僅考慮了平移運動。如果結合紋理、彩色及形狀等特征可能會進一步提高跟蹤的魯棒性。另外，segen與pingali的跟蹤系統(tǒng)使用了運動輪廓的角點作為對應特征，這些特征點采用基于位置和點的曲率值的距離度量在連續(xù)幀間進行匹配。

　　第3頁：目標分類

　　目標分類

　　目標分類的目的是從檢測到的運動區(qū)域中將特定類型物體的運動區(qū)域提取出來，例如分類場景中的人、車輛、人群等不同的目標。根據可利用信息的不同，目標分類可以分為基于運動特性的分類和基于形狀信息的分類兩種方法�；�于運動特性的識別利用目標運動的周期性進行識別。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區(qū)域的形狀特征與模板或者統(tǒng)計量進行匹配。

　　（1）基于形狀信息的分類

　　基于形狀信息的分類是利用檢測出的運動區(qū)域的形狀特征進行目標分類的方法。例如vsam采用區(qū)域的分散度、面積、寬高比等作為特征。利用三層神經網絡方法將運動目標劃分為人、人群、車和背景干擾；lipton等利用分散度和面積信息對二維運動區(qū)域進行分類，主要是區(qū)分人、車及混亂擾動，時間一致性約束使其分類更加準確；kuno與watanabe使用簡單的人體輪廓模式的形狀參數從圖像中檢測運動的人。

　　（2）基于運動特性的分類

　　基于運動特性的分類是利用人體運動的周期性進行目標分類的方法。例如cutler與davis通過跟蹤感興趣的運動目標，計算出目標隨著時間變化的自相關特性，而人的周期性運動使得其自相關也是周期性的，因此通過時頻化方法分析目標是否存在周期性的運動特性而將人識別出來；lipton通過計算運動區(qū)域的殘余光流來分析運動實體的剛性和周期性，非剛性的人的運動相比于剛性的車輛運動而言具有較高的平均殘余光流，同時它也呈現了周期性的運動特征，據此可以將人區(qū)分出來。目標識別是系統(tǒng)對之前提取并跟蹤的目標進行識別和辨識。要想讓系統(tǒng)具有目標識別和辨識能力，需要對系統(tǒng)進行模型訓練。就是利用已知的目標特征（如車輛、人員、動物等），對系統(tǒng)進行訓練，系統(tǒng)將會在大量已知的樣本信息上了解、學習不同目標的特征（大小、顏色、速度、行為方式等），這樣當系統(tǒng)發(fā)現一個目標時，系統(tǒng)將自動與已經建立好的模型進行比對或匹配特征，從而對目標進行識別和分類。

　　行為識別

　　目標的行為識別是近年來被廣泛關注的研究熱點，它是指對目標的運動模式進行分析和識別。行為識別可以簡單地被認為是時變數據的分類問題，即將測試序列與預先標定的代表典型行為的參考序列進行匹配。通過在跟蹤過程中檢測目標的行為以及行為變化，根據用戶的自定義行為規(guī)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，然后在識別過程中和預先存儲的行為標本相比較。模板匹配技術的優(yōu)點是計算復雜度低、實現簡單，然而它對于噪聲和運動時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靜態(tài)姿勢作為一個狀態(tài)，這些狀態(tài)之間通過某種概率聯(lián)系起來。任何運動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行為的標準。目前，狀態(tài)空間模型已經被廣泛地應用于時間序列的預測、估計和檢測，最有代表性的是hmms。每個狀態(tài)中可用于識別的特征包括點、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，但通常涉及到復雜的迭代運算。

　　結束語

　　視頻監(jiān)控系統(tǒng)的核心價值在于智能視頻分析技術，由運動目標檢測、分類、跟蹤和行為識別等幾個基本節(jié)組成，還包括智能視頻檢索技術，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，智能視頻監(jiān)控技術取得長足發(fā)展，應用領域不斷擴大，從自動目標檢測到現在的事件檢測、自動目標識別，其監(jiān)控產品也逐漸由模擬化向數字化、網絡化與智能化方向發(fā)展。