傳統(tǒng)的人體表達方法有如下三種：

 

    a. 線圖法：人運用的實質(zhì)是骨骼的運動，因此該表達方法將身體的各個部分以直線來近似。

 

    b. 二維輪廓（2D Contour）:該人體表達方法的使用直接與人體在圖像中的投影有關，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，該區(qū)域塊的參數(shù)化運動受關節(jié)運動（Articulated Movement）的約束，該模型被用于關節(jié)運動圖像的分析。

 

    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)細節(jié)，因此要求更多的計算參數(shù)和匹配過程中更大的云計算量。例如Rohr使用14個橢圓柱體模型來描述人體的結(jié)構(gòu),坐標系統(tǒng)的原點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動的定量描述，其中，它利用了迭代的擴展卡爾曼濾波方法，結(jié)合邊緣、區(qū)域信息及身體解析約束確定的身體關節(jié)運動的自由度，實現(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用，例 如Wren等利用小區(qū)域特征進行室內(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。通過跟蹤各個小區(qū)域塊來完成整個人的跟蹤?；趨^(qū)域跟蹤的難點是處理運動目標的蚊子來遮擋，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的背景模型，并且利用背景減除方法提取運動區(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、目標群三個抽象級別上執(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運動目標，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運動目標，采用基于卡爾曼濾波的活動輪廓來跟蹤非剛性的運動物體；利用隨機微分方程去描述復雜的運動模型，并與可變形模板相結(jié)合應用于人的跟蹤。相對于基于區(qū)域的跟蹤方法，輪廓表達有減少計算復雜度的優(yōu)點。如果開始能夠合理地分開每個運動目標并實現(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過程。一個很好的例子是點特，將每個目標用一個矩形框，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出現(xiàn)相互遮擋時，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)點是實現(xiàn)簡單，并能利用人體運用來解決遮擋問題，但是僅僅考慮了平移運動。如果結(jié)合紋理、彩色及形狀等特征可能會進一步提高跟蹤的魯棒性。另外，Segen與Pingali的跟蹤系統(tǒng)使用了運動輪廓的角點作為對應特征，這些特征點采用基于位置和點的曲率值的距離度量在連續(xù)幀間進行匹配

 

    目標分類

 

    目標分類的目的是從檢測到的運動區(qū)域中將特定類型物體的運用區(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。跟蹤可利用信息的不同，目標分類 可以分為基于運動特性的分類和基于形狀信息的分類兩種方法。基于運動特性的識別利用目標運動的周期性進行識別，受顏色、光照的影響較小?；陂_關信息的識別利用檢測出的運動區(qū)域的開關模板或者統(tǒng)計量進行匹配。

 

    （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動區(qū)域的開關特征進行目標分類的方法。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)絡方法將運動目標劃分為人、人群、車和背景干擾；Lipton等利用分散度和面積信息對二維運動區(qū)域進行分類，主要是區(qū)分人、車及混亂振動，時間致性約束使其分類更加準確；Kuno與Watanabe使用簡單的人體輪廓模式的形狀參數(shù)從圖像中檢測運動的人。

 

    （2） 基于運動特性的分類

 

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

 

    行為識別

 

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

 

    （1） 模板匹配方法

 

    采用模板匹配技術的行為識別方法道先將圖像序列轉(zhuǎn)換為一組靜態(tài)開關模式，然后在識別過程中和預先存儲的行為標本相比較。模板匹配技術的優(yōu)瞇是計算復雜度低、實現(xiàn)簡單，然而對于噪聲和運動時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靜態(tài)姿勢作為一個狀態(tài)，這些狀態(tài)之間通過某種概率聯(lián)系起來。任何運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，在這些遍歷期間計算聯(lián)合概率，其最大值被選擇作為分類行為的標準。目前，狀態(tài)空間模型己經(jīng)被廣泛應用于時間序列的預測、估計和檢測，最有代表性的是HMMS。每個狀態(tài)中可用于識別的特征包括點、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，但通常涉及到復雜的迭代運算。

 

    更多青海液晶拼接屏資訊請訪問：http://www.lcdsamsungpinjie.com