傳統(tǒng)的人體表達(dá)方法有如下三種：

 

    a. 線圖法：人運(yùn)用的實(shí)質(zhì)是骨骼的運(yùn)動，因此該表達(dá)方法將身體的各個(gè)部分以直線來近似。

 

    b. 二維輪廓（2D Contour）:該人體表達(dá)方法的使用直接與人體在圖像中的投影有關(guān)，如Ju等提出的紙板人模型，它將人的一組連接的平面區(qū)域塊所表達(dá)，該區(qū)域塊的參數(shù)化運(yùn)動受關(guān)節(jié)運(yùn)動（Articulated Movement）的約束，該模型被用于關(guān)節(jié)運(yùn)動圖像的分析。

 

    c. 立體模型（Volumetric Model）:它是利用廣義錐臺、橢圓柱、球等三維模型來描述人體的結(jié)構(gòu)細(xì)節(jié)，因此要求更多的計(jì)算參數(shù)和匹配過程中更大的云計(jì)算量。例如Rohr使用14個(gè)橢圓柱體模型來描述人體的結(jié)構(gòu),坐標(biāo)系統(tǒng)的原點(diǎn)被定位在軀干的中心，目的是想利用該模型來產(chǎn)生人的行走的三維描述；Wachter與Nagel利用橢圓錐臺建立三維人體模型，通過在連續(xù)的圖像幀問匹配三維人體模型的投影來獲得人運(yùn)動的定量描述，其中，它利用了迭代的擴(kuò)展卡爾曼濾波方法，結(jié)合邊緣、區(qū)域信息及身體解析約束確定的身體關(guān)節(jié)運(yùn)動的自由度，實(shí)現(xiàn)單目圖像序列中人的跟蹤

 

    （2） 基于區(qū)域的跟蹤

 

    基于區(qū)域的跟蹤方法目前己有較多的應(yīng)用，例 如Wren等利用小區(qū)域特征進(jìn)行室內(nèi)單人的跟蹤，文中將人體看作由頭、軀干、四肢等身體部分所對應(yīng)的小區(qū)域塊所組成，利用高斯分布建立人體和場景的模型，屬于人體的像素被規(guī)劃于不同的身體部分。通過跟蹤各個(gè)小區(qū)域塊來完成整個(gè)人的跟蹤?；趨^(qū)域跟蹤的難點(diǎn)是處理運(yùn)動目標(biāo)的蚊子來遮擋，這或許可利用彩色信息以及陰影區(qū)域缺乏紋理的性質(zhì)來加以解決，如McKenna等首先利用色彩和梯度信息建立自適應(yīng)的背景模型，并且利用背景減除方法提取運(yùn)動區(qū)域，有效地消除了蚊子的影響；然后，跟蹤過程在區(qū)域、目標(biāo)、目標(biāo)群三個(gè)抽象級別上執(zhí)行，區(qū)域可以合并和分享，而人是由許多身體部分區(qū)域在滿足幾何約束的條件下組成的，同是人群又是由單個(gè)的人組成的，因此利用區(qū)域跟蹤器并結(jié)合人的表面顏色模型，在遮擋情況下也能夠較好地守成多人的跟蹤。

 

    （3） 基于活動輪廓的跟蹤

 

    基于活動輪廓的跟蹤思想是利用封閉的曲線輪廓來表達(dá)運(yùn)動目標(biāo)，并且該輪廓能夠自動連續(xù)地更新。例如Paragios與Deriche利用短程線的活動輪廓、結(jié)合Level Sel理論在圖像序列中檢測和跟蹤多個(gè)運(yùn)動目標(biāo)，采用基于卡爾曼濾波的活動輪廓來跟蹤非剛性的運(yùn)動物體；利用隨機(jī)微分方程去描述復(fù)雜的運(yùn)動模型，并與可變形模板相結(jié)合應(yīng)用于人的跟蹤。相對于基于區(qū)域的跟蹤方法，輪廓表達(dá)有減少計(jì)算復(fù)雜度的優(yōu)點(diǎn)。如果開始能夠合理地分開每個(gè)運(yùn)動目標(biāo)并實(shí)現(xiàn)輪廓初始化的話，即使在有部分遮擋存在的情況下也能連續(xù)地進(jìn)行跟蹤，然而初始化通常是很困難的

 

    （4） 基于特征的跟蹤

 

    基于特征的跟蹤包括特征的特征的匹配兩個(gè)過程。一個(gè)很好的例子是點(diǎn)特，將每個(gè)目標(biāo)用一個(gè)矩形框，封閉框內(nèi)的質(zhì)心被選擇作為跟蹤的特征。在跟蹤過程中若兩個(gè)出現(xiàn)相互遮擋時(shí)，只要質(zhì)心的速度能被區(qū)分開來，跟蹤仍能被成功地執(zhí)行。該方法的優(yōu)點(diǎn)是實(shí)現(xiàn)簡單，并能利用人體運(yùn)用來解決遮擋問題，但是僅僅考慮了平移運(yùn)動。如果結(jié)合紋理、彩色及形狀等特征可能會進(jìn)一步提高跟蹤的魯棒性。另外，Segen與Pingali的跟蹤系統(tǒng)使用了運(yùn)動輪廓的角點(diǎn)作為對應(yīng)特征，這些特征點(diǎn)采用基于位置和點(diǎn)的曲率值的距離度量在連續(xù)幀間進(jìn)行匹配

 

    目標(biāo)分類

 

    目標(biāo)分類的目的是從檢測到的運(yùn)動區(qū)域中將特定類型物體的運(yùn)用區(qū)域提取出來，例如分類場景中的人、車輛、人群等不同的目標(biāo)。跟蹤可利用信息的不同，目標(biāo)分類 可以分為基于運(yùn)動特性的分類和基于形狀信息的分類兩種方法?；谶\(yùn)動特性的識別利用目標(biāo)運(yùn)動的周期性進(jìn)行識別，受顏色、光照的影響較小?；陂_關(guān)信息的識別利用檢測出的運(yùn)動區(qū)域的開關(guān)模板或者統(tǒng)計(jì)量進(jìn)行匹配。

 

    （1） 其于形狀信息的分類

 

    基于形狀信息的的分類是利用檢測出的運(yùn)動區(qū)域的開關(guān)特征進(jìn)行目標(biāo)分類的方法。例如VSAM采用區(qū)域的分散度、面積、寬高比等作為特征，利用三層神經(jīng)網(wǎng)絡(luò)方法將運(yùn)動目標(biāo)劃分為人、人群、車和背景干擾；Lipton等利用分散度和面積信息對二維運(yùn)動區(qū)域進(jìn)行分類，主要是區(qū)分人、車及混亂振動，時(shí)間致性約束使其分類更加準(zhǔn)確；Kuno與Watanabe使用簡單的人體輪廓模式的形狀參數(shù)從圖像中檢測運(yùn)動的人。

 

    （2） 基于運(yùn)動特性的分類

 

    基于運(yùn)動特性的分類是利用人體運(yùn)動的周期性進(jìn)行目標(biāo)分類的方法。例如Cutler與Kavis通過跟蹤感興趣的運(yùn)動目標(biāo)，計(jì)算出目標(biāo)隨著時(shí)間變化的自相關(guān)特性，而人的周期性運(yùn)動使得其自相關(guān)也是周期性的，因此通過時(shí)頻化方法分析目標(biāo)是否存在周期性的運(yùn)動特性而將人識別出來。Lipton通過計(jì)算運(yùn)動區(qū)域的殘余光流來分析運(yùn)動實(shí)體的剛性和周期性，非剛性的人的運(yùn)動相比于剛性的車輛運(yùn)動而言具有較高的平均殘余光流，同時(shí)也呈現(xiàn)了周期性的運(yùn)動特征，據(jù)此可以將人區(qū)分出來。目標(biāo)識別是系統(tǒng)對之前提取并跟蹤的目標(biāo)進(jìn)行識別和辨識。要想讓系統(tǒng)具有目標(biāo)識別和辨別能力，需要對系統(tǒng)進(jìn)行模型訓(xùn)練。就是利用己知的目標(biāo)特征（如車輛、人員、動物等），對系統(tǒng)進(jìn)行訓(xùn)練，系統(tǒng)將會在大量己知的樣本信息上了解、學(xué)習(xí)不同目標(biāo)的特征（大小、顏色、速度、行為方式等），這樣當(dāng)系統(tǒng)發(fā)現(xiàn)一個(gè)目標(biāo)時(shí)，系統(tǒng)將自動與己經(jīng)建立好的模型進(jìn)行比對匹配特征，從而對目標(biāo)進(jìn)行識別和分類

 

    行為識別

 

    目標(biāo)的行為識別是近年來被廣泛關(guān)注的研究熱點(diǎn)，是指對目標(biāo)的運(yùn)動模式進(jìn)行分析和識別。行為識別可以簡單地被認(rèn)為是時(shí)變數(shù)據(jù)的分類問題，即將測試序列進(jìn)行匹配。通過在跟蹤過程中檢測目標(biāo)的行為以及行為變化，根據(jù)用戶的自定義行為規(guī)則，判斷被跟蹤目標(biāo)的行為是否存在威脅。

 

    （1） 模板匹配方法

 

    采用模板匹配技術(shù)的行為識別方法道先將圖像序列轉(zhuǎn)換為一組靜態(tài)開關(guān)模式，然后在識別過程中和預(yù)先存儲的行為標(biāo)本相比較。模板匹配技術(shù)的優(yōu)瞇是計(jì)算復(fù)雜度低、實(shí)現(xiàn)簡單，然而對于噪聲和運(yùn)動時(shí)間間隔的變化是敏感的。

 

    （2） 狀態(tài)空間方法

 

    基于狀態(tài)空間模型的方法定義每個(gè)靜態(tài)姿勢作為一個(gè)狀態(tài)，這些狀態(tài)之間通過某種概率聯(lián)系起來。任何運(yùn)動序列可以看作為這些靜態(tài)姿勢的不同狀態(tài)之間的一次遍歷過程，在這些遍歷期間計(jì)算聯(lián)合概率，其最大值被選擇作為分類行為的標(biāo)準(zhǔn)。目前，狀態(tài)空間模型己經(jīng)被廣泛應(yīng)用于時(shí)間序列的預(yù)測、估計(jì)和檢測，最有代表性的是HMMS。每個(gè)狀態(tài)中可用于識別的特征包括點(diǎn)、線或二維小區(qū)域。狀態(tài)空間方法雖然能克服模板匹配的缺點(diǎn)，但通常涉及到復(fù)雜的迭代運(yùn)算。

 

    更多青海液晶拼接屏資訊請?jiān)L問：http://www.lcdsamsungpinjie.com