对象跟踪

　　对象跟踪的难点在于物体在运动过程中外表特征发生变化、遮挡、遮挡后重现、运动物体发生交叠、群体性对象跟踪、多摄像机接力跟踪，等等。这些难点仍然是当前视觉分析领域的研究热点。

　　目前产品中实现的对象跟踪算法大抵分为几类：

　　点跟踪(blob tracking)法，比如斑点检测(blob detection)和光流(optical flow)法跟踪；

　　内核跟踪(kernel-based tracking)法，比如均值漂移(mean-shift)法；

　　轮廓跟踪(contour tracking)法；

　　视觉特征匹配(feature matching)法；

　　卡尔曼滤波器(Kalman filter)法；

　　粒子滤波器(Particle filter)法。

　　特征提取

　　智能视觉分析中主要用的视觉特征有：边缘(edge)特征，角点(corner)特征，斑点(blob)特征，颜色特征，纹理特征，尺寸特征，等等，针对这些特征还有各种特征描述符(feature description)，比如SIFT(Scale Invariant Feature Transform)、SURF(Speeded Up Robust Features)、HOG(Histogramof Oriented Gradients)、LBP(Local Binary Pattern)、FAST(Features from Accelerated Segment Test)。

　　分类器设计

　　对模型训练库中的正负样本特征提取后，需要把这些特征输入一个机器学习算法，以便学习得到某一个对象的分类器。通常用到的分类器有Adboost、支持向量机(SVM)、神经网络(Artificial Neural Networks)、随机森林(Random Decision Forests)。在有些情况下，需要把分类器级联起来以形成一个强分类器。

　　智能视觉技术未来发展走向

　　视频监控行业的本质需求是，类似于人眼，从摄像机采集的图像视频中提取对行业有用的信息，而剔除无关信息。不同行业需求不同，感兴趣的信息不同，有的是车辆信息、有的是行人信息、有的是运动信息、有的是轨迹信息。

　　不仅仅在视频监控行业，在移动互联网领域，尤其是智能终端设备上摄像头使得每个人都成为图像视频采集者，这带来了视频图像素材的爆炸性增长，由此大大促进了智能视觉技术的进步。现在越来越多的国际顶级研究机构和学者在智能视觉分析领域大力投入，由此不断涌现出性能更优秀的算法，不断提高产品中视觉分析技术的性能。