2、目标跟踪技术

　　目标跟踪(Object Tracking)就是通过对摄像头采集到的图象序列进行计算分析，计算出目标在每帧图像上的二维位置坐标，并根据不同的特征值，将图像序列中不同帧中同一运动目标关联起来，得到各个运动目标完整的运动轨迹，也就是在连续的视频序列建立运动目标的对应关系。

　　可采用Mean Shift算法和Particle Filter算法实现目标跟踪。

　　Mean Shift算法本质上是最优化理论中的最速下降法(亦称梯度下降法，牛顿法等)，即沿着梯度下降方法寻找目标函数的极值。在跟踪中，就是为了寻找到相似度值最大的候选目标位置。

　　Mean Shift方法就是沿着概率密度的梯度方向进行迭代移动，最终达到密度分布的最值位置。其迭代过程本质上是最速下降法，下降方向为一阶梯度方向，步长为固定值。但是，Mean Shift没有直接求取下降方向和步长，它通过模型的相似度匹配函数的一阶Talor展开式进行近似，直接推到迭代的下一个位置。由此，沿着梯度方向不断迭代收敛到目标相似度概率目标分布的局部极大值。

　　Mean Shift算法在目标运动过快或背景过于复杂时，迭代寻找的局部极值并不是目标在下一帧中的最佳匹配位置。另外，Mean Shift作为最速下降法的一种，它的收敛速度并不快，且在接近最优值时，存在锯齿现象。

　　Particle Filter算法本质上是蒙特卡罗仿真，即通过采样粒子来近似描述概率密度分布。跟踪中，不可能求取下一帧中所有位置的相似度，即无法获取相似度概率密度分布。而Particle Filter就是通过粒子采样来近似描述这样的分布，有了该分布就可以获取目标的相似度最大位置。一般是根据粒子自身的匹配程度来确定概率密度的最值。Particle Filter没有迭代过程，它通过播散大量的粒子，通过这些粒子来获取最值位置。另外，因为粒子采样是遍布整个相似度概率密度空间的，故其具有全局最优性。

　　还可以使用如基于塔型结构的匹配跟踪、多子模板匹配、Kalman 滤波器、光流法等方法实现目标跟踪。

　　3、行为识别技术

　　行为识别(Behavior Understanding)是近年来被广泛关注的研究热点，它是指对目标的运动模式进行分析和识别，并用自然语言等加以描述。同目标识别与跟踪技术相比，行为动作识别技术是监控领域的较高研究层次，在计算机视觉中是一个极具有吸引力及挑战性的课题。是近年来计算机视觉领域和智能监控领域研究的热点也是难点，但仍处于未成熟的初级阶段。目前的视频智能监控系统中，尽管对于一些动作细节还不能做到准确识别，但是已经能够识别出物体的整体行为，比如可以识别物体的形状、颜色、体积、运动轨迹、运动速度、速度变化等，对这些数据进行进一步挖掘和分析就能够实现监控领域的一些特定需求，可以应用在禁区报警、数量统计、医疗监护以及环境检测等领域。

　　在视频行为动作识别中，通常是预先规定好若干动作类型(此过程由目标数据库所决定)，然后，利用数据库的训练样本对各种动作类型进行特征建模，在必要的时候还要加入训练的部分，构成一个动作模型库。也可以使用自然语言描述人的行为，实现对行为的识别和理解，近几年，更多研究者倾向于使用语义描述来分析人体动作行为，此方面的研究得到了一定的进展。自然语言描述的核心思想是：模仿人类语言的表达方式，通过有限的词汇的不同组合来表示具有不同意义的句子、段落与文章。在行为分析与理解领域中，可以把某个的图像看成是一个视觉词汇，或叫做视觉单词，把视觉词汇进行组合就可以得到视频的自然语言描述，由于不同行为有不同的描述，因此可以通过不同描述来区分不同的行为。

　　行为理解的推理中广泛采用了基于图像模型的推理方法，如隐马尔科夫模型(HMM) ，动态贝叶斯网络(DBN) ，条件随机场(CRF)等；也有的研究采用其他的推理方法，如使用基于规则的决策树来对一系列表示动作及对象的三元表达式进行分类；采用模板匹配的方法，将检测到的运动特征与训练好的样本逐个匹配，匹配的结果即为对行为识别的结果；还可以使用有限状态自动机，每个状态表示当前人体的位置，来对人的轨迹进行分类，识别异常事件。