目前智能攝像機的構(gòu)成以及硬件技術(shù)已經(jīng)相對穩(wěn)定和成熟，要終完成智能攝像機的監(jiān)控任務(wù)和智能技術(shù)還需要軟件功能的密切配合，高效的視頻編解碼技術(shù)以及有效的計算機視覺算法是智能攝像機的核心技術(shù)，為攝像機完成智能分析任務(wù)提供了重要的技術(shù)保障。由圖1所示，從視頻采集到智能結(jié)果結(jié)構(gòu)化輸出主要包括：運動目標(biāo)提取、運動目標(biāo)跟蹤、運動目標(biāo)分類和運動目標(biāo)行為分析以及結(jié)構(gòu)化描述等步驟。

1.運動目標(biāo)提取

　　運動目標(biāo)提取是智能分析的準(zhǔn)備工作，基于此項工作攝像機可以從圖像序列中將變化區(qū)域從背景區(qū)域中提取出來，運動目標(biāo)的有效提取將大大減少后續(xù)過程的運算量，對于后期的目標(biāo)識別和行為分析具有重要意義，目前較為主流的方法有背景減除法、時間差分法和光流法，經(jīng)典的全局光流場計算方法是L-K (Lueas&Kanada)法和H-S(Hom&Schunck)法。

2.運動目標(biāo)跟蹤

　　運動目標(biāo)的跟蹤，即通過目標(biāo)的有效表達(dá)，在圖像序列中尋找與目標(biāo)模板相似候選目標(biāo)區(qū)位置的過程。簡單說，就是在序列圖像中為目標(biāo)定位。運動目標(biāo)的有效表達(dá)除了對運動目標(biāo)建模外，目標(biāo)跟蹤中常用到的目標(biāo)特性表達(dá)主要包括：視覺特征(圖像邊緣、輪廓、形狀、紋理、區(qū)域)、統(tǒng)計特征(直方圖、各種矩特征)、變換系數(shù)特征(傅里葉描繪子、自回歸模型)、代數(shù)特征(圖像矩陣的奇異值分解)等。除了使用單一特征外，也可通過融合多個特征來提高跟蹤的可靠性，目前主流的方法有：基于區(qū)域匹配跟蹤算法、基于輪廓匹配跟蹤算法、基于特征匹配跟蹤算法。

3.運動目標(biāo)分類

　　運動目標(biāo)分類，顧名思義，從檢測到的運動區(qū)域中將特定類型的物體提取出來，例如分類場景中的人、機動車、人群等不同的目標(biāo)。目前比較主流的方法有基于運動特性的分類和基于形狀信息的分類。

4.運動目標(biāo)行為分析

　　行為分析是智能攝像機的關(guān)鍵目標(biāo)之一，也是視頻監(jiān)控在維護(hù)公共安全中的重點難點問題。行為分析涉及計算機視覺、模式識別、人工智能等多個領(lǐng)域。它是在對視頻圖像序列進(jìn)行低級處理的基礎(chǔ)上，通過分析處理監(jiān)控場景的圖像、視頻，獲取監(jiān)控場景的信息或場景中運動目標(biāo)的信息，進(jìn)一步研究圖像中各目標(biāo)的性質(zhì)以及相互之間的聯(lián)系，從而得出對客觀場景的解釋和高層次的語義描述，經(jīng)常借助于神經(jīng)網(wǎng)絡(luò)和決策樹來進(jìn)行行為分析。