【正文】 Pietika?inen, M.。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。文獻(xiàn)[23, 25]提出了一個非監(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，這個方法在兩個視頻中車輛的形狀差別很小的情況下取得了不錯的效果。文中用兩個橢圓體表示一個目標(biāo)，用3D 坐標(biāo)表示狀態(tài)向量。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；對每一個目標(biāo)單獨(dú)建立一個粒子濾波器，實(shí)現(xiàn)多個目標(biāo)的跟蹤。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)動目標(biāo)。如何準(zhǔn)確得到當(dāng)前幀的目標(biāo)個數(shù)，是多目標(biāo)跟蹤中的又一個難點(diǎn)。這個研究焦點(diǎn)是計(jì)算機(jī)視覺研究領(lǐng)域的一個新興的、多學(xué)科交叉的研究方向。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。運(yùn)動目標(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。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間變化的情況，但是算法計(jì)算量大。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。 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。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。 , Motionbased background subtraction using adaptive kernel density estimation, CVPR 2004. [9] Shengcai Liao。 Fleet, .。5 結(jié)束語本文對無重疊視域多目標(biāo)關(guān)聯(lián)相關(guān)的問題和技術(shù)進(jìn)行了綜述。由于多種特征的融合關(guān)聯(lián)，這使得她們的算法可以在小于30 度的姿態(tài)變化條件下取得大于90%的關(guān)聯(lián)準(zhǔn)確率。 多目標(biāo)關(guān)聯(lián) 目標(biāo)關(guān)聯(lián)目標(biāo)關(guān)聯(lián)是指把在不同時刻出現(xiàn)在不同攝像機(jī)前的目標(biāo)進(jìn)行關(guān)聯(lián)，從而識別出相同的目標(biāo)，實(shí)現(xiàn)不同攝像機(jī)中同一目標(biāo)的對應(yīng)。目標(biāo)的運(yùn)動信息是目標(biāo)檢測中一項(xiàng)重要特征，運(yùn)動檢測技術(shù)包括光流法、差分法等。目前研究人員大多數(shù)都在研究如何開發(fā)不同的背景模型，期望建立更加合理的背景模型并對其及時進(jìn)行更新，希望借此能夠抵消背景的干擾和變化。在監(jiān)控視頻中，目標(biāo)外觀往往非常相似，如何選取合適的特征以較好的區(qū)分不同目標(biāo)外觀來實(shí)現(xiàn)準(zhǔn)確的數(shù)據(jù)關(guān)聯(lián)。由于被監(jiān)控區(qū)域的廣闊和攝像機(jī)視域有限之間的矛盾，以及在計(jì)算量和經(jīng)濟(jì)等方面的考慮，不可能用攝像機(jī)全部覆蓋所有的被監(jiān)控區(qū)域。目標(biāo)被遮擋的過程一般可分為兩個階段：一是目標(biāo)進(jìn)入遮擋過程，這期間目標(biāo)信息丟失越來越嚴(yán)重，二是目標(biāo)出離遮擋過程，也即目標(biāo)漸漸離開遮擋，這期間目標(biāo)信息逐漸得到恢復(fù)。運(yùn)動目標(biāo)檢測的主要任務(wù)是在圖像中檢測出各個獨(dú)立的運(yùn)動目標(biāo)，便于后續(xù)的特征提取和關(guān)聯(lián)等過程。 單攝像頭目標(biāo)跟蹤 基于多特征融合與自適應(yīng)模板的多目標(biāo)跟蹤算法視覺特征對于跟蹤算法的性能有很重要的影響，所選的視覺特征應(yīng)該能很好的區(qū)分跟蹤目標(biāo)與背景。因此，有些研究者對基于3D的多目標(biāo)跟蹤算法[1719]進(jìn)行了研究。在特征提取的過程中，某些特征需要先對攝像機(jī)進(jìn)行標(biāo)定，例如：點(diǎn)特征、幾何特征[22]；然而，考慮到隨著攝像機(jī)數(shù)量的急劇增加，對每個攝像機(jī)都進(jìn)行標(biāo)定和對應(yīng)變得愈發(fā)困難，所以現(xiàn)有的研究工作大都采用不事先標(biāo)定攝像機(jī)的方法進(jìn)行特征抽取與關(guān)聯(lián)。例如：Orwell 等人[34]采用兩種方法對目標(biāo)的顏色直方圖進(jìn)行建模，一種是混合高斯參數(shù)化和交叉熵距離測量相結(jié)合的方法，另一種則是最大熵編碼和χ 2 距離測量相結(jié)合的方法，實(shí)驗(yàn)表明這兩種方法都具有不錯的效果。 , Moving targets detection algorithm based on background subtraction and frames subtraction, Industrial Mechatronics and Automation (ICIMA), 2010 2nd International Conference on , , no., , 3031 May 2010[6] V. Reddy, C. Sanderson, and B. C. Lovell. Robust foreground object segmentation via adaptive regionbased background modelling. In International Conference on Pattern Recognition (ICPR), Turkey, 2010. , Performance of optical flow techniques, Computer Vision and Pattern Recognition, 1992. Proceedings CVPR 39。6參考文獻(xiàn)[1] TAN Jiyuan, WU Chengdong, ZHOU Yun,HOU Jun,WANG Qiaoqiao,Research of abnormal target algorithm in intelligent surveillance system, Mechanical amp。Cheng[3032]和Madden[33, 34]等人研究室內(nèi)監(jiān)控環(huán)境下行人的關(guān)聯(lián)跟蹤。目前已有的關(guān)聯(lián)方法主要包括對目標(biāo)建立表現(xiàn)模型（Appearance Model），目標(biāo)在不同攝像機(jī)中的表現(xiàn)模型之間的轉(zhuǎn)移模型（Transfer Model）的估計(jì)，以及表現(xiàn)模型相似度的估計(jì)等研究內(nèi)容。利用背景差分法,差分值分別代