一、移動目標提取。
運動檢測是從圖像序列中將變化區(qū)域從背景圖像中提取出來。運動區(qū)域的有效分割將大大減少后續(xù)過程的運算量。然而，背景圖像的不穩(wěn)定性，如陰影、光照、慢移動、靜移動(樹葉的擺動)等等，也使得運動檢測非常困難。目前較為實用的視頻分析方法主要有兩類：一類是背景減除方法，另一類是時間差分方法。背景減除方法是利用當(dāng)前圖像和背景圖象的差分來檢測出運動區(qū)域的一種方法，可以提供比較完整的運動目標特征數(shù)據(jù)，精確度和靈敏度比較高，具有良好的性能表現(xiàn)。時間差分法利用視頻圖像特征，從連續(xù)得到的視頻流中提取所需要的動態(tài)目標信息。時間差分實質(zhì)是利用相鄰幀圖像相減來提取前景目標移動的信息，此方法不能完全提取所有相關(guān)特征像素點，在運動實體內(nèi)部可能產(chǎn)生空洞，能檢測出目標的邊緣深圳監(jiān)控安裝。
二、移動目標跟蹤。
移動目標跟蹤等價于在連續(xù)的圖像幀間，創(chuàng)建基于位置、速度、形狀、紋理、色彩等有關(guān)特征的對應(yīng)匹配問題。常用的數(shù)學(xué)工具有卡爾曼濾波、Condensation算法及動態(tài)貝葉斯網(wǎng)絡(luò)等。其中Kalman濾波是基于高斯分布的狀態(tài)預(yù)測方法。不能有效地處理多峰模式的分布情況;Condensation算法是以因子抽樣為基礎(chǔ)的條件密度傳播方法，結(jié)合可學(xué)習(xí)的動態(tài)模型，可完成魯棒的運動跟蹤。就跟蹤對象而言，跟蹤如手、臉、頭、腿等身體部分與跟蹤整個目標;就跟蹤視角而言，有對應(yīng)于單攝像機的單一視角、對應(yīng)于多攝像機的多視角和全方位視角;當(dāng)然還可以通過跟蹤空間(二維或三維)、跟蹤環(huán)境(室內(nèi)或戶外)、跟蹤人數(shù)(單人、多人、人群)、攝像機狀態(tài)(運動或固定)等方面進行分類。從跟蹤方法的不同討論跟蹤算法。
(1)基于模型的跟蹤。
傳統(tǒng)的人體表達方法有如下三種：①線圖法：人運動的實質(zhì)是骨骼的運動，因此該表達方法將身體的各個部分以直線來近似。②二維輪廓(2DContour)：該人體表達方法的使用直接與人體在圖像中的投影有關(guān)，如Ju等提出的紙板人模型，它將人的肢體用一組連接的平面區(qū)域塊所表達，該區(qū)域塊的參數(shù)化運動受關(guān)節(jié)運動(ArticulatedMovement)的約束，該模型被用于關(guān)節(jié)運動圖像的分析。③立體模型(VolumetricModel)：它是利用廣義錐臺、橢圓柱、球等三維模型來描述人體的結(jié)構(gòu)細節(jié)，因此要求更多的計算參數(shù)和匹配過程中更大的計算量。例如Rohr使用14個橢圓柱體模型來表達人體結(jié)構(gòu)，坐標系統(tǒng)的原點被定位在軀干的中心，目的是想利用該模型來產(chǎn)生人的行走的三維描述;Wachter與Nagel利用橢圓錐臺建立三維人體模型，通過在連續(xù)的圖像幀問匹配三維人體模型的投影來獲得人運動的定量描述，其中，它利用了迭代的擴展卡爾曼濾波方法，結(jié)合邊緣、區(qū)域信息及身體解析約束確定的身體關(guān)節(jié)運動的自由度，實現(xiàn)單目圖像序列中人的跟蹤深圳監(jiān)控安裝。
(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應(yīng)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�；趨^(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(zhì)來加以解決，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**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(jié)合LevelSet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(fù)雜的運動模型，并與可變形模板相結(jié)合應(yīng)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(fù)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(xiàn)輪廓初始化的話，即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深圳監(jiān)控安裝。
(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(zhì)心被選擇作為跟蹤的特征;在跟蹤過程中若兩人出現(xiàn)相互遮擋時。世紀星介紹只要質(zhì)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(xiàn)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(jié)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(yīng)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。