智能视频监控中目标跟踪算法研究及应用设计
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪是计算机视觉领域的重要研究方向之一，其应用广泛，包括视频监控、人机交互、自动驾驶等领域。
目标跟踪算法的主要任务是在视频序列中，对特定目标进行定位和跟踪。
本文旨在全面综述目标跟踪算法的研究现状、基本原理、技术方法以及发展趋势。
二、目标跟踪算法的基本原理目标跟踪算法的基本原理是通过提取目标特征，在视频序列中寻找与该特征相似的区域，从而实现目标的定位和跟踪。
根据特征提取的方式，目标跟踪算法可以分为基于特征的方法、基于模型的方法和基于深度学习的方法。
1. 基于特征的方法：该方法主要通过提取目标的颜色、形状、纹理等特征，利用这些特征在视频序列中进行匹配和跟踪。
其优点是计算复杂度低，实时性好，但容易受到光照、遮挡等因素的影响。
2. 基于模型的方法：该方法通过建立目标的模型，如形状模型、外观模型等，在视频序列中进行模型的匹配和更新。
其优点是能够处理部分遮挡和姿态变化等问题，但模型的建立和更新较为复杂。
3. 基于深度学习的方法：近年来，深度学习在目标跟踪领域取得了显著的成果。
该方法主要通过训练深度神经网络来提取目标的特征，并利用这些特征进行跟踪。
其优点是能够处理复杂的背景和目标变化，但需要大量的训练数据和计算资源。
三、目标跟踪算法的技术方法根据不同的应用场景和需求，目标跟踪算法可以采用不同的技术方法。
常见的技术方法包括基于滤波的方法、基于相关性的方法和基于孪生网络的方法等。
1. 基于滤波的方法：该方法主要通过设计滤波器来对目标的运动进行预测和跟踪。
常见的滤波方法包括卡尔曼滤波、光流法等。
2. 基于相关性的方法：该方法通过计算目标与周围区域的相关性来实现跟踪。
常见的相关性方法包括基于均值漂移的算法、基于最大熵的算法等。
3. 基于孪生网络的方法：近年来，基于孪生网络的跟踪算法在准确性和实时性方面取得了显著的进步。
该方法通过训练孪生网络来提取目标和背景的特征，并利用这些特征进行跟踪。
目标检测技术在智能安防领域中的应用研究
目标检测技术在智能安防领域中的应用研究随着智能安防技术的不断发展和普及，人们对于安全性的关注度不断提高。
然而，仅仅靠传统的人力巡逻和监控设备已经无法满足现代安全的需求。
因此，目标检测技术的应用在智能安防领域中逐渐广泛。
下面将就目标检测技术在智能安防领域中的应用进行总结和分析。
一、目标检测技术简介目标检测是一种从图像或者视频中检测出特定目标物体的技术。
目标检测是一种监督学习中的对象识别问题，其目的是在图像中标定出感兴趣的物体并标出物体的位置和大小。
在图像处理、计算机视觉和图像分析等领域应用广泛，是实现智能分析和诊断的重要手段。
目标检测技术在智能安防系统中也具有相当的应用价值。
二、智能安防中目标检测技术的应用智能安防领域中的目标检测技术可以分为两种类型：一种是基于图像检测的方法，另一种是基于视频流检测的方法。
1. 基于图像检测的方法基于图像检测的目标检测技术主要是通过对摄像头拍摄到的图像进行分析和处理，识别不同的物体，并及时告警。
以安防摄像头为例，当有目标物体进入镜头时，系统会运行目标检测算法进行物体识别，然后进行物体定位和跟踪，为后续安防任务提供重要数据。
这种方法可以适用于多种安防场景，例如公共场所、银行、宾馆、商场、学校等。
将目标检测技术应用于这些场景，可以大大提高安保效果，同时也可以减少人力成本和提升安保效率。
2. 基于视频流检测的方法基于视频流检测的方法，则主要利用视频流数据，进行处理分析，检测并跟踪物体。
与基于图片检测的方法相比，基于视频流检测的方法可以克服光线变化、天气变化、目标物体形态变化以及运动物体跟踪等方面的问题。
同时，基于视频流检测的方法可以实现对于物体运动轨迹、运动速度和方向的实时监控。
许多安防企业将目标检测技术与人脸识别技术相结合，实现更加精细化的监控。
同时，目标检测技术还可以和云计算技术相结合，加强对于区域的实时监控。
三、目标检测技术在智能安防中的应用优势智能安防领域中目标检测技术的应用，可以大大提升安全性能，比传统的安保模式更加高效精准，具有以下优点：1. 安全管理更加精细目标检测技术可以对人员、车辆等物体的状态、行为、位置和方向进行精准监控，实现对于安全区域的无缝覆盖，更加细致化的安全管控。
基于深度学习的视频目标检测与跟踪算法研究
基于深度学习的视频目标检测与跟踪算法研究一、引言随着计算机视觉技术的飞速发展，视频目标检测与跟踪在许多领域中发挥着重要作用，如智能监控、自动驾驶、虚拟现实等。
基于深度学习的视频目标检测与跟踪算法，通过深度神经网络的训练与优化，能够在复杂场景中准确地检测出目标物体并进行实时跟踪，具有很高的实用价值。
本文将针对基于深度学习的视频目标检测与跟踪算法进行研究。
二、视频目标检测1.传统方法的不足在传统的视频目标检测算法中，主要采用的是基于特征工程的方法，需要人工提取出适合目标检测的特征并设计相应的分类器。
然而，这种方法存在着特征提取难、特征选择不准确等问题，限制了检测算法的性能。
在大量数据训练的情况下，特征工程的成本也很高。
2.基于深度学习的视频目标检测算法深度学习在计算机视觉领域中的应用逐渐兴起，特别是卷积神经网络（CNN）的兴起使得目标检测算法得到了极大的改善。
基于深度学习的视频目标检测算法主要通过训练一个深度神经网络，使其能够自动学习出目标物体的特征表示，并通过后续的分类器对目标进行识别与定位。
首先，深度神经网络通常包含多个卷积层和池化层，用于提取图像中不同层次的特征。
然后，通过全连接层将提取到的特征与标签进行匹配，训练网络模型。
最后，通过对新的图像样本进行前向传播，得到目标物体的识别和定位结果。
基于深度学习的视频目标检测算法相较于传统方法具有很多优势。
首先，深度神经网络能够自动学习出适用于目标检测的特征表达，避免了人工特征工程的复杂性。
其次，通过大规模数据的训练，深度学习模型能够提高目标检测的准确性和泛化能力。
此外，深度学习算法还能够处理大规模数据集，使得算法具备更好的实时性。
三、视频目标跟踪1.传统方法的不足传统的视频目标跟踪算法通常基于目标的运动模型或者外观模型，但是它们在面对复杂场景时往往表现不佳。
这是因为传统方法无法有效地应对目标形变、光照变化、遮挡等问题，且对复杂背景下的目标无法准确跟踪。
目标跟踪算法综述
目标跟踪算法综述目标跟踪算法综述目标跟踪是计算机视觉领域的一项重要任务，它的目标是在视频中准确地跟踪一个或多个特定的目标。
目标跟踪技术在各个领域都有广泛的应用，比如视频监控、自动驾驶、智能交通系统等。
随着计算机性能的提高和人工智能的发展，目标跟踪算法也在不断地得到改进和创新。
本文将对目标跟踪算法的发展进行综述。
目标跟踪算法主要分为传统的基于模型的方法和基于深度学习的方法。
传统的基于模型的方法主要包括卡尔曼滤波器、粒子滤波器、相关滤波器等。
这些方法首先通过对目标进行建模，然后通过观察视频序列中的目标状态来更新模型，从而实现跟踪。
由于这些方法对目标的形状、运动等进行了建模，因此在目标快速运动、形变、遮挡等情况下表现较好。
但是，这些方法对于复杂的场景以及目标外观的变化较为敏感。
近年来，随着深度学习的兴起，基于深度学习的目标跟踪算法也取得了显著的进展。
深度学习通过神经网络模型对目标进行建模，并使用大量标注数据进行训练。
这种方法通过深度学习网络从图像中提取特征，并根据提取的特征进行目标检测和跟踪。
深度学习方法具有良好的泛化能力和鲁棒性，在复杂的场景下表现优秀。
然而，由于深度学习方法需要大量的训练数据和计算资源，其运行速度较慢。
基于深度学习的目标跟踪算法主要包括基于卷积神经网络（CNN）的方法和基于循环神经网络（RNN）的方法。
基于CNN 的方法通过在网络中使用卷积层和池化层，对目标进行特征提取和表示。
这些方法一般将目标跟踪问题视为图像分类或目标检测问题，通过对目标进行分类或定位来实现目标跟踪。
基于RNN的方法则通过对时间序列数据进行建模，利用循环神经网络对目标进行跟踪。
这些方法一般采用LSTM或GRU等循环神经网络结构来对目标状态进行建模，并通过时间序列数据来更新模型。
除了基于模型和深度学习的方法，还有一些其他的目标跟踪算法，例如基于边界框的方法、基于稀疏表示的方法、基于流场的方法等。
这些方法各有特点，在不同的场景和需求下有着不同的应用。
《运动目标检测和跟踪算法的研究及实现》
《运动目标检测和跟踪算法的研究及实现》一、引言运动目标检测和跟踪是计算机视觉领域中的一项重要技术，广泛应用于智能监控、自动驾驶、人机交互等众多领域。
本文旨在研究并实现一种高效、准确的运动目标检测和跟踪算法，为相关领域的研究和应用提供参考。
二、运动目标检测算法研究1. 背景及意义运动目标检测是计算机视觉中的一项基础任务，其目的是从视频序列中提取出感兴趣的运动目标。
传统的运动目标检测方法主要包括帧间差分法、背景减除法等，但这些方法在复杂场景下往往存在误检、漏检等问题。
因此，研究一种适用于复杂场景的、高效的、准确的运动目标检测算法具有重要意义。
2. 算法原理及实现本文采用基于深度学习的运动目标检测算法。
该算法利用卷积神经网络（CNN）提取视频帧中的特征，并通过区域生成网络（RPN）生成候选目标区域。
接着，利用分类网络对候选区域进行分类，确定是否为运动目标。
最后，通过边界框回归和NMS （非极大值抑制）等技术对检测结果进行优化。
在实现过程中，我们采用了PyTorch等深度学习框架，利用GPU加速计算，提高了算法的运算速度。
同时，我们还针对不同场景的实际情况，对算法进行了优化和改进，提高了算法的准确性和鲁棒性。
三、运动目标跟踪算法研究1. 背景及意义运动目标跟踪是在检测出运动目标的基础上，进一步对目标进行跟踪和定位。
传统的运动目标跟踪方法主要包括基于特征的方法、基于模型的方法等，但这些方法在复杂场景下往往存在跟踪不准确、易丢失等问题。
因此，研究一种适用于复杂场景的、稳定的、准确的运动目标跟踪算法具有重要意义。
2. 算法原理及实现本文采用基于深度学习的Siamese网络进行运动目标跟踪。
Siamese网络通过学习目标模板和搜索区域的特征表示，实现目标的快速定位和跟踪。
在实现过程中，我们采用了离线训练和在线更新的方式，提高了算法的准确性和适应性。
同时，我们还结合了光流法等技术，进一步提高了算法的稳定性和准确性。
使用AI技术进行目标跟踪的基本原理
使用AI技术进行目标跟踪的基本原理引言：随着人工智能技术的快速发展，目标跟踪成为了计算机视觉领域的一个重要研究方向。
目标跟踪可以被广泛应用于监控、无人驾驶、增强现实等众多领域中。
本文将介绍使用AI技术进行目标跟踪的基本原理，并解释其中涉及到的关键概念和方法。
一、目标跟踪概述目标跟踪是指在视频序列中追踪特定物体（或目标）的位置，以达到对该物体进行实时分析和处理的目的。
传统方法主要依赖于手动提取图像特征，如边缘、纹理等信息来进行跟踪。
然而，由于环境复杂性以及物体外观变化等问题，这些方法存在着局限性。
二、基于AI技术的目标跟踪方法1.深度学习在目标跟踪中的应用深度学习作为近年来最具影响力和表现优异的AI技术之一，在目标跟踪领域也有着广泛应用。
深度学习模型通过自动学习图像和视频中的特征，从而实现目标跟踪任务。
其中，卷积神经网络（CNN）和循环神经网络（RNN）是最常用的深度学习模型。
2.基于卷积神经网络（CNN）的目标跟踪CNN在目标检测和识别等领域已经取得了显著的成功，在目标跟踪中也展现出了巨大的潜力。
CNN可以通过学习输入图像中的空间关系，提取出高级语义特征，并进行目标位置预测。
常见的基于CNN的目标跟踪算法包括Siamese Network、MDNet和MOSSE等。
3.基于循环神经网络（RNN）的目标跟踪与CNN不同，RNN主要用于序列建模任务，其能够对时间上相关性进行建模。
在目标跟踪中，RNN可以通过记忆之前帧的信息来预测当前帧中目标的位置。
LSTM(Long Short-Term Memory)是一种常用的RNN架构，被广泛应用于目标跟踪任务。
三、基本原理解析1.训练阶段使用AI技术进行目标跟踪需要先进行训练阶段。
训练阶段通常包括两个主要步骤：数据准备和模型训练。
在数据准备阶段，需要收集相应的标注数据，包括目标物体的位置和关键特征。
然后，使用这些标注数据来训练模型，使其能够学习到目标物体的外观和运动信息。
监控视频中多目标的检测与跟踪研究
及行 为分析 等处 理 。 在视 觉 图像 处理 的研究 和应 用 中 ，运动 目标 的检
测与跟踪涉及到了图像处理 、 模式识别 、 人工智能等诸 多 相关领 域 的知识 ，形成 了一 种能从 视 频 图像序 列 中 自动检测 目 ， 标 提取 目 标位置信息 ， 动跟踪多运动 目 自 标 的技 术 ， 智 能安 防视 频 监 控 、 能交 通 、 动 分 析 在 智 运 等 方 面都有 着较 为广泛 的应用 ，因此针 对 视频 监控 中 多 运动 目标 检测 与跟踪 的研 究具 有重要 的理论 意 义和
ｂ ｄ ｒｃ ，ｐ ｓｅｓ ｇ ｓｍｅ ｔｅ ｒｔ ａ ｄ ｐ ａｔ ａ ａ ｅ ｏ ｙ ｔ ｋ ｏｓｓｎ ｏ ｈ ｏｅ ｃ ａ ｒｃｉｌ ｖ ｕ ． ａ ｉ ｉｌ ｎ ｃ ｌ
Ｋｅ ｙ ｗｏｒ ｓ： ｃ ｇ ｏｕｎ ｒ ｄ ｃ ｏｎｍ ｅｈ ｄ ｂａ ｋ ｒ ｄ ｐ ｅ ｉｔ ｔｏｄ；Ｍ ｅｎ ｈｉ ａ ｋ ｎ ｌｏｒｔ ； ｅ ｒ ｄ ｔｒ ｅ ｒｃ ｎｇｍ ｅｈｏ ｉ ａ Ｓ ｆ ｔ ｃ ｉ ｇ ａｇ ｉ ｈｍ ｃ ｎｔｏｉ ａ ｇ ｔｔａ ｋｉ ｔ ｄ ｔｒ
第 ２ Ｏ卷 第 ５期 ２ ０１ ２年 １ ０月 文 章 编 号 ：０ ５ １２ （ ０ ２ ０ — ０ ４ ０ １０ — ２ ８ ２ １ ）５ ０ ３ － ３
电
脑
与
ｄ Ｉｆｒ ｔ ｎ Ｔ ｃ ｎ １ ０ ｕｅ ｎ ｎｏｍａｉ ｅ ｈ ｏ ｏ
体 实现 。通过实验证明该方法可同时实现对 多个人体运动 目标的 实时跟踪 ， 具有一定的理论和实用价值。
关键 词 ： 景预 测 法 ； ａ ｉ 目标 跟 踪 方 法 ； 心 多 目标跟 踪 方 法 背 ＭｅｎＳ ｆ ｈｔ 形 中 图 分类 号 ｉＰ ９ ．１ Ｔ３１ ４ 文 献 标 识码 ： Ａ
高速公路监控系统中的智能视频分析技术研究
高速公路监控系统中的智能视频分析技术研究一、引言随着高速公路的建设和车辆数量的快速增加，高速公路交通安全问题日益突出。
传统的监控技术无法满足对车辆违规行为的准确识别和预警需求，因此，智能视频分析技术成为了高速公路监控系统中关注的重点。
本文将对高速公路监控系统中的智能视频分析技术进行研究和探讨。
二、智能视频分析技术的基本原理智能视频分析技术是将计算机视觉、模式识别和机器学习等技术应用于视频图像中的目标检测、跟踪和识别等任务。
其基本原理如下：1.目标检测：通过对视频图像进行分析，提取目标物体的形状、颜色、纹理等特征，并使用目标检测算法进行目标的定位和识别。
2.目标跟踪：在目标检测的基础上，通过关联目标在时间上连续出现的位置，计算目标的运动轨迹，并通过轨迹预测算法对目标进行跟踪。
3.目标识别：基于目标检测和跟踪的结果，通过图像分析和特征提取，使用机器学习算法对目标进行分类和识别，判断是否为违规行为。
三、智能视频分析技术在高速公路监控系统中的应用1.交通实时监控：利用智能视频分析技术对高速公路上的车辆进行实时监控，对违规行为进行预警和记录，如车辆逆行、超速等行为。
2.事故预警：通过智能视频分析技术实时监测车辆行驶状态，对事故风险高的车辆进行预警，提前采取措施，减少交通事故的发生。
3.路况监测：利用智能视频分析技术对高速公路上的路面状况进行监测，及时发现并解决路面堵塞、积水等问题，提升道路通行效率。
4.车辆追踪与指纹：通过智能视频分析技术对车辆进行追踪和记录，建立车辆行驶轨迹和指纹数据库，为犯罪侦查和交通管理提供参考数据。
四、面临的挑战和解决方案1.大数据处理：高速公路监控系统产生的视频数据量庞大，如何有效地处理和存储成为亟需解决的问题。
可以采用分布式计算和存储技术来提高数据处理效率，并利用深度学习算法提高目标检测和识别的准确性。
2.复杂环境下的视频分析：在高速公路上，车辆的运动速度快、光照变化大、背景复杂等因素会干扰目标检测和跟踪的准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
淮南师范学院本科毕业论文 1 智能视频监控中目标跟踪算法研究及应用 摘要：视频监控中目标跟踪算法的研究及应用是实现视频监控系统的关键技术之一。实际视频监控系统中的场景往往是错综复杂、变化无常的，实现具有鲁棒性、准确性和实时性的运动目标检测和跟踪是当前智能视频监控技术努力的方向。本文研究了静态场景下运动目标跟踪的相关算法，给出了运动目标跟踪的实现方案，由于Lucas Kanade光流跟踪算法对目标仅仅跟踪其质心，存在跟踪目标容易丢失且鲁棒性不高的缺点；最小绝对差算法企图搜索目标模板、计算量大、实时性差；针对这两种算法在目标跟踪方面的不足，对其进行了相应的改进和完善。通过Lucas Kanade光流跟踪算法预测目标质心位置、并设定目标搜索区域减小最小绝对差算法计算量；将模板匹配定位之后更正的目标质心做为下一帧Lucas Kanade光流跟踪算法跟踪的特征点，可以减小单一光流法预测目标质心带来的误差，实现可靠的跟踪。
关键词：运动目标跟踪；Lucas Kanade光流法；模板匹配 Abstract：Video target tracking algorithm research and Application is one of the key techniques which implements intelligent video surveillance system(IVSS). The real video surveillance system applied environment is usually complex, full of variety. The realization of moving object detection and tracking with veracity, real-time performanceand robustness is the direction for current IVSS study.This paper studied under static scene tracking algorithms movement are given, and the implementation scheme of moving object tracking Kanade light flow, because Lucas to target tracking algorithm only tracking its existing track the target centroid, easy to lose and robustness is not high weaknesses; Minimum absolute difference algorithm map search target template, large amount of calculation, real-time poor; In view of these two algorithm in target tracking deficiency, analyses the corresponding improvement and perfection. By Lucas Kanade light flow forecast target centroid position tracking algorithm, and set a target of reducing the search area computation minimum absolute difference algorithm; Will the template matching after the target centroid position correction as the next frame Lucas Kanade light streaming tracking algorithm tracking feature points can reduce a single light flow method for forecasting the errors caused by target centroid, achieve reliable tracking. Key words ： Sports target tracking;Lucas Kanade light flow method;Background model 智能视频监控中目标跟踪算法研究及应用 2
2 1．引言
1.1 研究背景和意义
随着计算机技术、通信技术、图像处理技术的不断发展，目标检测与跟踪技术在移动机器人、战车与坦克、飞机、导弹、舰船等军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用，也称为自动控制、信号与信息处理、计算机视觉和模式事变等领域的研究热点。 视频监控系统是公共安全技术防范系统的重要组成部分，它被广泛应用于国防、国家安全、治安等多个方面，主要涉及军工、公安、交通、金融、电力、电信、供水、供气等重要部门。由于视频图像监控具有很强的直观性、实时性和可逆性，使得它在解决经营纠纷、预防和制止犯罪、处理治安和刑事案件、为公安侦察破案提供线索等方面有着其他防范设施难以发挥的作用。 目前，基于视频序列的目标检测与跟踪技术在国内外各个领域和方面均得到了十分广泛的应用。在军事方面，军用卫星、战区导弹防御、侦察机、导弹制导、火控系统及小型自寻的导引头等军事武器均广泛应用了图像目标的识别与跟踪技术，大大提高武器系统的运动攻击性能及作战指标。美国空军“幼畜”导弹是最著名的一种电视制导导弹，由于目标的识别与跟踪技术的应用，该导弹可做到自动发现并锁定目标，并对目标实施摧毁，大大提高了作战效能；武装直升机和现代坦克战车队也都借助到高性能光电稳定瞄准具等先进光电设备，如高清晰度前视红外传感器、高分辨率和高倍率的CCD传感器等光电设备，结合目标的识别与跟踪技术大大提高了其再战场中的生存能力、提高有效打击力、增加全天候作战效能。 在民用方面，图像目标的识别与跟踪在科学探测、航空和航天对地观察、摄影和地形测绘上同样发挥着十分重要的作用。随着科学的发展和生活水平的提高，一些高档的手持、肩扛拍照和摄像系统也广泛地应用了人脸识别与跟踪技术，提高了系统的成像质量。运动目标的识别与跟踪在智能交通、身份识别等领域也得到了十分广泛的应用，创造了很好的社会价值。 因此，目前世界各国政府和学者，密切关注新一代的监控技术——智能视频监控技术。它同以往的监控技术有着本质的区别，其主要特征是采用计算机视觉的方法，在几乎不需要人为干预的情况下，赋予计算机类似于人的理解动态场景的视觉能力，通过对视频序列中运动物体的检测与跟踪以及对运动行为与语义概念之间关系的表达与分析，形成对场景中运动物体行为及其相互关系的高层次语义上的解释，使计算机知道什么时候，在什么场景中，是什么人在做什么，并用自然语言来描述所发生的一切。更形象地说，智能视频监控系统[1]能够看，看被监控场景中目标物体的行为；能 淮南师范学院本科毕业论文 3 够想，理解目标物体的行为以为着什么；能够说，把想的结果用自然语言的形式表达
出来。因此只能视频监控系统具有看、思考和表达的能力。目前，智能视频监控系统取代了监控任务中人的大部分工作，是新一代的具有高度智能的监控技术[2]。
1.2 国内外研究现状 国外对基于视频的目标检测与跟踪的理论研究及应用研究起步较早，尤其在美国、英国等国家已经开展了大量相关项目的研究，并取得了一定的成果。现举例如下： 1997年美国国防高级研究项目署(Defense Advanced Research Projects Agency)设立了以卡内基梅隆大学(Carnegie Mellon University)为首、麻省理工学院(Massachusetts Institute of Technology)等高校参与的视觉监控重大项目VSAM(Visual Surveillance and Monitoring)[3]，VSAM的目标是为未来城市和战场监控应用开发的一种自动视频理解技术，用于实现未来战争中人力监控费用昂贵、非常危险或者人力无法实现等场合下的监控。 美国的麻省理工学院(Massachusetts Institute of Technology)在智能视觉监控方面也进行了深入的研究，其开发的监控系统[4]己成功实现了对行人和车辆的检测与跟踪。 英国的雷丁大学(University of Reading)己开展了对车辆和行人的跟踪及其交互作用识别的相关研究[5,6]。 美国的马里兰大学(University of Maryland)开发了W4(What，Where，When，Who)实时监控系统[7,8,9]，该系统不仅能够定位人和分割出人的身体部分，而且通过建立外观模型来实现多人的跟踪，可以检测和跟踪室外环境中的人，同时可以检测人是否携带物体等简单行为，并对他们之间的简单交互进行监控。 IBM与Microsoft等公司也正逐步将基于视觉的手势识别接口应用于商业领域中[6]；在我国，这方面的研究起步较晚。目前，在国内的相关研究机构中，中科院自动
化研究所下属的模式识别国家重点实验室成立的视觉监控研究小组处于该领域的领先地位。该实验室在交通场景的视觉监控、人的运动视觉监控和行为模式识别等方面作了深入的研究，并取得了一定的成果[10,11]。模式识别实验室己经开始与英国雷丁大学就视觉监控项目开展了合作研究，并得到了英国皇家协会的支持；与法国波尔多第三大学EGID研究所在交通视觉监控等方面也展开了一系列的合作。除此之外，国内还有一些高校，如上海交通大学航空航天信息与控制研究所，华中科技大学图像识别与人工智能研究所, 西安电子科技大学电子工程学院模式识别与智能控制研究所，桂林电子科技大学图像所等研究机构，都对该领域进行了相关的研究。
1.3 运动目标及运动目标跟踪的概述