【正文】 tionbased background subtraction using adaptive kernel density estimation, CVPR 2004. [9] Shengcai Liao。國內(nèi)外眾多研究者綜合運(yùn)用各學(xué)科知識(shí)，大膽嘗試，無重疊視域多目標(biāo)關(guān)聯(lián)算法具有廣闊的研究前景。在處理不同攝像機(jī)之間的顏色變化的問題上，Porikli 和Divakaran[39, 40]提出了基于顏色直方圖的非參數(shù)非線性顏色轉(zhuǎn)移函數(shù)模型和相關(guān)的距離度量，并給出了簡化算法。 基于顏色特征的方法顏色特征由于具有很好的區(qū)分性，因此成為眾多特征中被研究最多的一種。 基于線特征的方法由于剛體目標(biāo)的線特征比較容易抽取，而且對光照、時(shí)間、地點(diǎn)等環(huán)境變化不敏感，因此，線特征在車輛目標(biāo)關(guān)聯(lián)方面得到了較多使用。所以，無重疊視域攝像機(jī)之間的目標(biāo)關(guān)聯(lián)[20,21]需要建立適合自己特殊問題的新的理論體系。利用目標(biāo)空間位置的惟一性，能對嚴(yán)重遮擋的人進(jìn)行較準(zhǔn)確地跟蹤。文獻(xiàn)[16]針對人的跟蹤中常出現(xiàn)的變形、遮擋以及多目標(biāo)跟蹤中常出現(xiàn)的目標(biāo)合并、分裂、消失、新增等情況。文獻(xiàn)[13]針對此問題提出了多特征融合與自適應(yīng)模板相結(jié)合的多目標(biāo)跟蹤算法，能有效處理模板隨時(shí)間變化的情況，但是算法計(jì)算量大。但是，在多攝像機(jī)監(jiān)控系統(tǒng)中，由于圖像背景存在變化，不能直接采用背景差分法，本文在第二章中針對多攝像機(jī)環(huán)境下背景擾動(dòng)的問題進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明利用改進(jìn)的扭曲背景差分模型，可以有效去除背景擾動(dòng)的影響，一定程度上提高了檢測的準(zhǔn)確率。運(yùn)動(dòng)目標(biāo)檢測通常采用以下幾種方法[56]：（1）幀間差分法：基本思想是將視頻中相鄰兩幀或多幀圖像做差分，然后利用閾值進(jìn)行分割，將超過閾值的當(dāng)做前景，其他的當(dāng)做背景。一個(gè)好的運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng)必須要兼顧兩者，要對兩個(gè)性能指標(biāo)加以平衡。目標(biāo)數(shù)目的隨機(jī)性：數(shù)目可變也是多目標(biāo)跟蹤中的常見問題。在無重疊視域多攝像機(jī)視頻監(jiān)控系統(tǒng)中，目標(biāo)在時(shí)間和空間上都是分離的，如何將不同攝像機(jī)中相同目標(biāo)進(jìn)行有效地關(guān)聯(lián)是多攝像機(jī)目標(biāo)跟蹤的關(guān)鍵問題。這個(gè)研究焦點(diǎn)是計(jì)算機(jī)視覺研究領(lǐng)域的一個(gè)新興的、多學(xué)科交叉的研究方向。背景的復(fù)雜性，目標(biāo)比例變化、目標(biāo)顏色與背景顏色的相似程度、背景的穩(wěn)定程度，多目標(biāo)的交互及各種特殊情況的發(fā)生都會(huì)給多目標(biāo)跟蹤帶來困難。如何準(zhǔn)確得到當(dāng)前幀的目標(biāo)個(gè)數(shù)，是多目標(biāo)跟蹤中的又一個(gè)難點(diǎn)。以下對近年來國內(nèi)外解決多目標(biāo)核心問題的主流方法進(jìn)行總結(jié)與分析，并比較各方法的優(yōu)缺點(diǎn)。目前對于幀間差分法一般用來做前期檢測，（2）背景差分法：背景差分法是視頻監(jiān)控中最為常見的運(yùn)動(dòng)目標(biāo)檢測方法，它的基本思想是將當(dāng)前幀圖像與參考背景圖像做差分運(yùn)算，然后設(shè)定一定的閾值來檢測運(yùn)動(dòng)目標(biāo)。反之，運(yùn)動(dòng)物體所形成的速度矢量就會(huì)與鄰域背景速度矢量不同，從而檢測出運(yùn)動(dòng)目標(biāo)的具體位置。文獻(xiàn)[15](針對人臉)將多特征融合技術(shù)用于判斷新目標(biāo)的出現(xiàn)；基于在線學(xué)習(xí)的自適應(yīng)模板以適應(yīng)背景與目標(biāo)外觀的變化；以目標(biāo)觀測概率小于某一閾值判斷舊目標(biāo)的消失；對每一個(gè)目標(biāo)單獨(dú)建立一個(gè)粒子濾波器，實(shí)現(xiàn)多個(gè)目標(biāo)的跟蹤。當(dāng)目標(biāo)輕微合并時(shí)，采用基于顏色直方圖的均值漂移算法分別跟蹤合并在一塊的各個(gè)目標(biāo)，當(dāng)目標(biāo)分裂時(shí)，要判斷分裂出的目標(biāo)屬于遮擋前的哪一個(gè)目標(biāo)，用巴氏距離表示分裂前各目標(biāo)和分裂后目標(biāo)直方圖的關(guān)聯(lián)度，取最大值者作為關(guān)聯(lián)目標(biāo)。文中用兩個(gè)橢圓體表示一個(gè)目標(biāo)，用3D 坐標(biāo)表示狀態(tài)向量。這些特征主要包括顏色特征、點(diǎn)特征、線特征、區(qū)域特征、幾何特征、模型特征等等。文獻(xiàn)[23, 25]提出了一個(gè)非監(jiān)督學(xué)習(xí)的方法來提取視頻中車輛的線特征，然后基于線特征來關(guān)聯(lián)車輛，這個(gè)方法在兩個(gè)視頻中車輛的形狀差別很小的情況下取得了不錯(cuò)的效果。除此之外，在文獻(xiàn)[33]中，他們還嘗試采用監(jiān)控視頻中人的身高作為關(guān)聯(lián)的特征要素，并給出了身高的估計(jì)算法。同樣是估計(jì)顏色轉(zhuǎn)移函數(shù)，Jeong 和Jaynes[43]卻采用目標(biāo)的色度而不是亮度，他們的算法體現(xiàn)了更好的關(guān)聯(lián)性能。 Shaohui Ning。 Pietika?inen, M.。 Tracking in Videos. In CVPR. 2005, 761768.[38] Guo Y,Sawhney H S,Kumar R,et Object Matching for Persistent Tracking with Heterogeneous Feature. In Joint IEEE Int. Workshop ,8188.[39] Guo Y,Hsu S,Sawhney H S,et al. Robust Object Matching for Persisitent Tracking with Heterogeneous Feature. IEEE Trans. Pattern Anal. Machine Intell.,2007(29):824839.[40] Cheng E D, Madden C, Piccardi M. Mitigating the Effects of Variable Illumiantion for Tracking across Disjoint Camera Views. In IEEE Int. Conf. AVSS. 2006, 3237.[41] Cheng E D, Piccardi M. Matching of Object Moving across Disjoint Cameras. In , 17691772.[42] Cheng E D. Piccardi M. Disjoint track matching based on a major color spectrum histogram representation. Optical Engineering, 2007(46):14.’[43] Madden C, Piccardi M. Height Measurement as a Sessionbased Biometric for People Matching Across Disjoint Camera Views. In IEEE Vis. Comput 20058 /