【正文】 Avidan et al(2004)提出了支持向量跟蹤算法(Support Vector Tracking)，通過將支持向量機(jī)與基于光流場的跟蹤器相結(jié)合，在目標(biāo)鄰域搜索具有最大 SVM 得分的區(qū)域進(jìn)行跟蹤。（1）RGB 彩色模型RGB 彩色模型是工業(yè)界最為常見的顏色模型，它也是人們最為熟悉常見的顏色模型。、120176。 圖像預(yù)處理常用的圖像預(yù)處理過程都涉及到一些濾波的方法。大量的研究人員都在致力于開發(fā)不同的背景模型，以解決不同場景條件下目標(biāo)分割所要面對(duì)的各種問題。從光流中可以獲得物體形狀結(jié)構(gòu)和運(yùn)動(dòng)狀態(tài)信息。目標(biāo)的軌跡就是二位圖像或三維世界中被跟蹤特征的位置序列。這些方法的優(yōu)點(diǎn)十分明顯：目標(biāo)運(yùn)動(dòng)方式簡單，具備平滑性。這類方法利用高層的語義知識(shí)將目標(biāo)擬合為幾何模型，從而將對(duì)目標(biāo)的跟蹤轉(zhuǎn)換為對(duì)目標(biāo)的識(shí)別，具有更強(qiáng)的可靠性。 本章小結(jié)運(yùn)動(dòng)目標(biāo)檢測與跟蹤是智能視頻監(jiān)控的關(guān)鍵步驟，而行人運(yùn)動(dòng)分析又是智能視頻監(jiān)控的核心內(nèi)容，其運(yùn)動(dòng)檢測與跟蹤同樣要以運(yùn)動(dòng)目標(biāo)檢測與跟蹤為基礎(chǔ)。為了解決這些問題，最好的方法便是使用背景建模和背景更新算法來彌補(bǔ)。本文選用循環(huán)分割法來自適應(yīng)地得到在二值化一幅圖像時(shí)所需要的全局閾值T。這種基于探測的思想與人的視覺特點(diǎn)有類似之處：總是關(guān)注一些感興趣的物體或者結(jié)構(gòu)，并有意識(shí)地尋找圖像中的這些結(jié)構(gòu)。實(shí)際上，結(jié)構(gòu)元素本身也是一個(gè)圖像矩陣。為了將本文工作更好地應(yīng)用于智能視頻監(jiān)控的實(shí)際應(yīng)用中，還需要對(duì)其進(jìn)行進(jìn)一步的改進(jìn)與完善。閉合同樣使輪廓線變得光滑，但是開啟相反的是，它通常消除狹窄的間斷和長細(xì)的鴻溝，消除小的孔洞，并填補(bǔ)輪廓線中的斷裂開啟。再做膨脹時(shí)，留下來的大物體會(huì)變回原來的大小，而被刪除的小物體則永遠(yuǎn)消失了。因此，需要采用數(shù)學(xué)形態(tài)學(xué)方法，對(duì)分割后的二值圖像進(jìn)行形態(tài)學(xué)濾波。但是到目前為止還不存在一種通用的方法，也不存在一個(gè)判斷分割是否成功的客觀標(biāo)準(zhǔn)。對(duì)于快速運(yùn)動(dòng)的目標(biāo)，需要選擇較短的時(shí)間間隔，如果選擇不當(dāng)，最壞情況下目標(biāo)在前后兩幀中沒有重疊，被檢測為兩個(gè)分開的目標(biāo)；對(duì)于慢速運(yùn)動(dòng)的目標(biāo)，應(yīng)該選擇較長的時(shí)間間隔，如果選擇不當(dāng)，最壞情況下目標(biāo)在前后兩幀中幾乎完全重疊，根本檢測不到目標(biāo)?；谥鲃?dòng)輪廓的跟蹤方法利用了全局的輪廓信息，不需要關(guān)于目標(biāo)的先驗(yàn)知識(shí)，因而在邊緣檢測、目標(biāo)檢測、目標(biāo)跟蹤等方面的工作應(yīng)用較多。紋理也是圖像的基本特征，它被認(rèn)為是對(duì)圖像灰度分布的描述，是對(duì)圖像局部性質(zhì)的統(tǒng)計(jì)，所以也可利用圖像的紋理特征來實(shí)現(xiàn)匹配，實(shí)現(xiàn)目標(biāo)跟蹤。 基于特征的跟蹤方法跟蹤中可以使用許多種類的目標(biāo)特征，在時(shí)間間隔很短的相鄰兩幀待檢測圖像中，可以認(rèn)為其中的目標(biāo)特征具有平滑性，因此可以利用目標(biāo)特征來實(shí)現(xiàn)運(yùn)動(dòng)跟蹤。與相鄰幀差法和背景差分法比較，邊緣檢測方法有利于鄰近運(yùn)動(dòng)目標(biāo)的區(qū)分和運(yùn)動(dòng)目標(biāo)特征的提取，對(duì)背景噪聲的魯棒性很大，但其運(yùn)算復(fù)雜度也相對(duì)較大。最早提出的是三分布 GMM，每個(gè)像素點(diǎn)用三個(gè)高斯分布來分別表征背景、前景的陰影、前景這三種不同的模式，但實(shí)際情況很復(fù)雜，對(duì)背景、前景等模式都限定只用一個(gè)高斯分布來描述是不夠的。運(yùn)動(dòng)目標(biāo)檢測過程包括運(yùn)動(dòng)目標(biāo)檢測的預(yù)處理和運(yùn)動(dòng)目標(biāo)的分割兩大步。從 RGB 到 HSV 轉(zhuǎn)換時(shí)，設(shè)(r,g,b)分別是一個(gè)顏色的紅、綠和藍(lán)坐標(biāo)，它們的值是 0 到 1 之間的實(shí)數(shù)。強(qiáng)度 V：對(duì)應(yīng)成像亮度和圖像灰度，是顏色的明亮程度。 顏色空間顏色空間也稱彩色模型，又稱彩色空間或彩色系統(tǒng)，它的用途是在某些標(biāo)準(zhǔn)下用通常可接受的方式對(duì)彩色加以說明。Polana et al(1994)和 Daniel et al(2002)都提出基于運(yùn)動(dòng)特征的跟蹤方法，Polana 以質(zhì)心為特征實(shí)現(xiàn)了行人運(yùn)動(dòng)跟蹤，Daniel 利用了顏色特征，對(duì)多目標(biāo)進(jìn)行分類、識(shí)別和跟蹤。國際上也有許多公司研究智能視頻監(jiān)控技術(shù)并推出了市場化的產(chǎn)品(焦波，2005)。 行人檢測與跟蹤視頻監(jiān)控場景中行人是監(jiān)控的主要對(duì)象，因此對(duì)行人的檢測和跟蹤是一個(gè)至關(guān)重要的問題，這屬于智能視頻監(jiān)控系統(tǒng)的底層工作，其性能好壞將直接影響后續(xù)工作乃至整個(gè)系統(tǒng)的性能。很多情況下，由于生理上的弱點(diǎn)，人們經(jīng)常無法覺察安全威脅，從而產(chǎn)生了漏報(bào)（false negatives）的現(xiàn)象。對(duì)運(yùn)動(dòng)人體快速而準(zhǔn)確的檢測和跟蹤是一項(xiàng)十分重要且極具挑戰(zhàn)性的工作，這屬于智能視頻監(jiān)控系統(tǒng)的前端工作，其工作性能的好壞將直接影響后續(xù)工作以至整個(gè)系統(tǒng)的性能。仿真實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的粒子濾波算法相比，該算法能夠更加準(zhǔn)確有效地跟蹤動(dòng)態(tài)背景中尺寸變化的行人目標(biāo)。智能視頻監(jiān)控技術(shù)是計(jì)算機(jī)視覺領(lǐng)域近年來新興的一個(gè)研究方向，是模式識(shí)別技術(shù)在視頻監(jiān)控領(lǐng)域的重要應(yīng)用。上個(gè)世紀(jì)末以前，初始的視頻監(jiān)控以模擬式磁帶錄像機(jī)（Video Cassette Recorder, VCR）為代表。這兩種情況都會(huì)大大降低人們的信任，進(jìn)而降低監(jiān)控系統(tǒng)的應(yīng)用價(jià)值。行人的衣著、運(yùn)動(dòng)姿態(tài)、光照存在著很大的差異，并且存在背景復(fù)雜、遮擋和其它運(yùn)動(dòng)物體的干擾，這些因素是行人檢測要解決的重點(diǎn)問題。以及法國的 CitiLog 公司，其核心技術(shù)是自主研發(fā)的動(dòng)態(tài)圖像背景自適應(yīng)技術(shù)和車輛圖像跟蹤技術(shù)，徹底消除了光線、雨雪、灰塵對(duì)系統(tǒng)的影響，可以及時(shí)檢測監(jiān)控區(qū)域內(nèi)發(fā)生的交通事件，采集交通數(shù)據(jù)，輔助進(jìn)行交通控制等。Isard 和Blake(1998)等提出condensation (conditional Density Propagation)算法，通過先驗(yàn)概率采樣，再根據(jù)觀測似然修正權(quán)值，以此近似后驗(yàn)概率。它以紅、綠、藍(lán)為原色，建立三維直角坐標(biāo)系，通過混合各個(gè)原色以產(chǎn)生各種復(fù)合色彩。、240176。由于圖像在拍攝過程中往往會(huì)由傳感器引入噪聲，因此需要在目標(biāo)分割前對(duì)圖像進(jìn)行預(yù)處理，來減除噪聲的干擾，增強(qiáng)目標(biāo)提取的效果。在種類紛繁的背景建模方法中，較為常用的有時(shí)間平均法、像素估計(jì)法和混合高斯模型法。通常情況下，鏡頭運(yùn)動(dòng)、目標(biāo)運(yùn)動(dòng)或二者的共同運(yùn)動(dòng)都會(huì)產(chǎn)生光流。目標(biāo)跟蹤是計(jì)算機(jī)視覺中最困難的任務(wù)之一，其困難和干擾主要有目標(biāo)的形狀變化、攝像機(jī)及目標(biāo)的運(yùn)動(dòng)和目標(biāo)所處的復(fù)雜背景等（李培華，2010）。而其難點(diǎn)在于，如果目標(biāo)遭受遮擋或者旋轉(zhuǎn)等情況，則運(yùn)動(dòng)目標(biāo)中的部分區(qū)域會(huì)消失，一些新區(qū)域也會(huì)出現(xiàn)，因此需要提取新情況下的目標(biāo)特征用以更新。同利用其他特征的方法相比，基于模型的跟蹤方法能更充分利用目標(biāo)的特性，在復(fù)雜環(huán)境下具有顯著的優(yōu)勢。本章首先介紹了圖像處理相關(guān)的基礎(chǔ)知識(shí)，包括顏色空間、圖像預(yù)處理和形態(tài)學(xué)方法等；然后重點(diǎn)介紹了包括相鄰幀差、背景差分、光流法和邊緣檢測等的運(yùn)動(dòng)檢測方法，以及基于特征、基于模型、和基于主動(dòng)輪廓等的運(yùn)動(dòng)跟蹤方法。前面已經(jīng)討論過相關(guān)問題，因此，本文假設(shè)背景處于理想情況下進(jìn)行背景差分算法的研究。基本步驟如下：(1)選擇一個(gè)T的初始估計(jì)值(2)用T分割圖像。數(shù)字形態(tài)學(xué)在本文所涉及到的圖像處理中，主要作用包括利用形態(tài)學(xué)的基本運(yùn)算，對(duì)圖像進(jìn)行觀察和處理，從而達(dá)到改善圖像質(zhì)量的目的。這里對(duì)每個(gè)結(jié)構(gòu)元素矩陣B指定一個(gè)原點(diǎn)origin?？蓮囊韵聨讉€(gè)方面進(jìn)行未來的工作：561）小型化的 HOG 行人檢測方法有待提高。開啟一般使對(duì)象的輪廓變得光滑，斷開狹窄的間斷和消除細(xì)的突出物。腐蝕操作會(huì)去掉物體的邊緣點(diǎn)，細(xì)小物體所有的點(diǎn)都會(huì)被認(rèn)為是邊緣點(diǎn)，因此會(huì)整個(gè)被刪去?！⌒螒B(tài)學(xué)濾波由于刮風(fēng)、氣流等原因，背景中部分物體小幅度晃動(dòng)；光線的變化等不確定因素，會(huì)使得視頻圖像產(chǎn)生大量噪聲，當(dāng)差值圖像二值化后，仍然有很多無用的噪聲斑點(diǎn)。所以，研究人員提出了許多閾值的選取方法。使用幀間差分法，需要考慮如何選擇合理的時(shí)間間隔，這一般取決于運(yùn)動(dòng)目標(biāo)的速度。輪廓線在內(nèi)部力、外部力和約束力的共同作用下，自動(dòng)地向目標(biāo)輪廓移動(dòng)，滿足能量最小要求的曲線就是最終得到的目標(biāo)輪廓。但是不變矩需要對(duì)所有像素點(diǎn)灰度值用于計(jì)算，對(duì)應(yīng)運(yùn)算量太大，難以滿足實(shí)時(shí)跟蹤的要求。目標(biāo)跟蹤算法的分類方法眾多，難以盡數(shù)列舉，所以本文僅介紹如下幾種常用方法。常用到的邊緣檢測方法有 Robert 算子、Sobel 算子、Laplace 算子等。每一種背景像素的值都可以通過多個(gè)高斯分布的加權(quán)和來描述。由于運(yùn)動(dòng)目標(biāo)的正確檢測與否將直接影響后續(xù)的目標(biāo)跟蹤與分類效果，所以它也成為智能視頻監(jiān)控系統(tǒng)相關(guān)技術(shù)中深受關(guān)注的研究重點(diǎn)。（3）顏色空間變換顏色空間變換可以分為從 RGB 到 HSV 轉(zhuǎn)換以及從 HSV 到 RGB 的轉(zhuǎn)換兩種。飽和度越大，顏色看起來就會(huì)越鮮艷，反之亦然。篇幅起見，本節(jié)僅簡要介紹相關(guān)的顏色空間、圖像預(yù)處理和形態(tài)學(xué)方法等內(nèi)容。行人跟蹤大多是基于位置、速度、色彩、紋理等特征的目標(biāo)匹配跟蹤，存在很多的相關(guān)算法。計(jì)算機(jī)視覺領(lǐng)域中的著名期刊如 IJCV、CVIU、PAMI、IVC 和重要的學(xué)術(shù)會(huì)議如 ICCV、CVPR、ECCV、IWVS 等先后刊登了大量智能視覺監(jiān)控領(lǐng)域相關(guān)的最新研究