监控目标物检测 运动切割和目标物分类
几乎每一个基于视频的监控系统都是从目标物检测这一步工作开始。所谓目标物检测，就是把目标物体对应的区域从视频序列的图像中分离出来。接下来的关于目标物的跟踪以及目标物的行为理解都是在正确检测识别目标物的基础上进行的，所以，这是视频监控系统中非常重要也非常有意义的一步。
目标物检测通常包括运动切割和目标物分类两个部分。
运动切割
视频序列的运动切割是视频图像处理中一个重要而困难的问题。在视频监控系统中，它要完成的任务是检测出监控场景中人和交通工具等目标物体所对应的区域，检测出的运动团点是下一步的目标物跟踪和目标物行为分析的关键信息源。运动切割中，不能仅简单考虑图像中的像素变化运动物体对应像素变化，天气情况、光线变化、阴影移动以及混乱中的重复运动等等造成的像素变化都会给运动切割的高效性和可靠性带来影响。目前，大部分运动切割都是利用图像中的时空信息来完成的。运动切割中常用的方法有
传统的背景减除方法
传统的背景减除方法是运动切割中常用的方法，特别是那些具有相对静止的背景的情况下使用的方法。他们通过区别当前的图像与参考背景模型间的像素差别来检测运动区域。各种各样的处理方法依据背景模型以及在处理过程中背景模型更新方法的不同而有不同的分类。最简单的背景模型丫，就是一个临时的均值图像，是一个与当前的场景的静止图像近似相同的背景。这种方法的局限性在于，它对因为光线变化或者无关事件的发生引起的场景动态改变有很大的敏感性。为了减少动态场景的变化给运动切割带来的影响，大部分的研究者更多地关注于如何构建随着外界条件变化而自适应更新的背景模型。
复合的背景减除方法
复合背景减除可以分为非递归和递归两类。非递归技术就是使用调整窗口的方法来对背景进行评估。视频的前帧放在缓存中，基于缓存中每一个像素的变化来评估背景图像。非递归技术不受那些已经不在缓存中的历史帧的影响，具有很强的适应性。另一方面，遇到类似缓慢移动的交通情况，因为需要一个足够大的缓存，存储空间有明显的需求增长。递归技术不需要为背景评估保留缓存。相反会根据每一个输入的帧来递归地更新背景模型。结果会造成很久以前输入的一帧图像仍然对当前的背景模型具有影响。与非递归技术相比，递归需要很少的存储空间，但是在建模过程中的任何一个错误都会对模型造成很长一段时间的影响。大多数方案中都包含指数权重，只使用背景像素作为更新来去除历史不正确的正决策反馈。
目标物分类
不同的运动区域在监控场景中对应于不同的运动目标物。举例来说，在交通路况监控场景中监控摄像头捕捉到的视频序列图像可能包含的运动物有行人，交通工具，飞鸟，以及飘动的云...不同的运动区域在监控场景中对应于不同的运动目标物。举例来说，在交通路况监控场景中监控摄像头捕捉到的视频序列图像可能包含的运动物有行人，交通工具，飞鸟，以及飘动的云等等。如何正确地把运动目标物同其他运动物体区分出来，对于进一步的跟踪和事件分析来说，是非常重要的。
对运动物体进行分类的目的就是准确地通过运动切割方法得到的运动区域中提取出与目标物相对应的团点。当然，在运动区域就是目标物的情况下，这一步是不需要的。为了全面的描述目标物检测过程，我们这里对各种目标物分类方法进行总结讨论。目前的分类方法主要有
基于形状的分类
点、盒子、轮廓和团点等各种形状信息的描述都可以用来对运动物体进行分类。使用特殊的三层神经网络分类器把运动物体的团点分为单独的人，交通工具，人群和混乱四类。输入网络的特征是一个基于图像和场景的混合物体参数，比如图像的团点分散性，图像的团点区域，图像边界以及摄像头的焦距。分类通过对每一帧的每一个团点的分析形成，分类的结果保存在直方图中。在每一个时间步中，对该团点的最可能分类被标注作为最后的分类。另外还有使用图像团点的分散性和区域作为分类标准的。使用基于轮廓的形状表示作为分类标准的有。
基于运动的分类
通常来说，非刚性关节的人体运动都具有一定的周期性，这可以作为对运动物体进行分类的一个有力证据。描述了一个荃于相似性的周期运动分析检测。通过对运动物体的跟踪，分析出它的自我相似性。周期性的运动，它的自我相似也具有一定的周期性。因此，可以应用时间频率的分析来检测周期运动，并且通过跟踪分类具有周期特性的运动物体。