基于計(jì)算機(jī)視覺(jué)的交通流實(shí)時(shí)監(jiān)控綜述

陳華， 孫宇晨

(中國(guó)石油大學(xué)(華東) 理學(xué)院， 青島 266580)

0 引言

計(jì)算機(jī)視覺(jué)是用計(jì)算機(jī)實(shí)現(xiàn)人的視覺(jué)功能，對(duì)客觀世界的三維場(chǎng)景的感知、識(shí)別和理解，即對(duì)圖像進(jìn)行自動(dòng)處理并報(bào)告“圖像中有什么的過(guò)程”。計(jì)算機(jī)視覺(jué)在人工智能、機(jī)器學(xué)習(xí)等學(xué)科占據(jù)重要地位，為交通流實(shí)時(shí)監(jiān)控做了深厚的理論鋪墊。隨著非結(jié)構(gòu)數(shù)據(jù)的急速增加、“天網(wǎng)行動(dòng)”的開(kāi)展(基礎(chǔ)設(shè)施的完善)、人工智能的火熱，國(guó)內(nèi)計(jì)算機(jī)視覺(jué)技術(shù)無(wú)疑將持續(xù)高速發(fā)展。目前，計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)過(guò)程中應(yīng)用傳感器技術(shù)作為硬件支撐，例如：工業(yè)器件檢查、智能監(jiān)控系統(tǒng)、視頻存儲(chǔ)和檢索、智能人機(jī)環(huán)境、智能家居環(huán)境、智能行為身份識(shí)別、虛擬現(xiàn)實(shí)技術(shù)等[1]，并且取得了可觀的經(jīng)濟(jì)回報(bào)，且精度較傳統(tǒng)技術(shù)提高了20-40%。由于近年來(lái)恐怖事件的增多，各國(guó)政府對(duì)于公共安全防范工作的重視程度也逐漸加強(qiáng)，而利用計(jì)算機(jī)視覺(jué)技術(shù)則首先被廣泛的認(rèn)可。計(jì)算機(jī)視覺(jué)技術(shù)可以被分為運(yùn)動(dòng)物體檢測(cè)、運(yùn)動(dòng)物體跟蹤、運(yùn)動(dòng)物體分類(lèi)識(shí)別、行為分析4個(gè)部分[2]，主要解決問(wèn)題的思路為檢測(cè)出運(yùn)動(dòng)的物體并分塊、利用濾波等技術(shù)預(yù)測(cè)運(yùn)動(dòng)物體的運(yùn)動(dòng)軌跡并進(jìn)一步篩選、對(duì)待確定樣本進(jìn)行機(jī)器學(xué)習(xí)處理，將樣本分類(lèi)并和數(shù)據(jù)庫(kù)進(jìn)行對(duì)比從而找出目標(biāo)對(duì)象，在此基礎(chǔ)上對(duì)于運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)軌跡預(yù)測(cè)被認(rèn)為是行為分析的基本手段，行為分析通常結(jié)合機(jī)器學(xué)習(xí)、邏輯推理、自然語(yǔ)言等技術(shù)出現(xiàn)，通過(guò)找到發(fā)生異常行為的潛在規(guī)律，從而有效地預(yù)防異常行為的發(fā)生或即時(shí)報(bào)警。在智能交通的實(shí)現(xiàn)上，計(jì)算機(jī)視覺(jué)已經(jīng)顯示出了其獨(dú)特的優(yōu)點(diǎn)，并在交通調(diào)度、無(wú)人停車(chē)場(chǎng)、無(wú)人駕駛、車(chē)禍報(bào)警、GPS車(chē)禍防范等方面得到了初步應(yīng)用。本文將計(jì)算機(jī)視覺(jué)技術(shù)分為上文所述的4個(gè)部分進(jìn)行研究，對(duì)近年來(lái)常用技術(shù)進(jìn)行優(yōu)缺點(diǎn)分析并總結(jié)，最終給出計(jì)算機(jī)視覺(jué)技術(shù)在智能交通領(lǐng)域的發(fā)展方向。

2 運(yùn)動(dòng)物體檢測(cè)

目前，基于計(jì)算機(jī)視覺(jué)的運(yùn)動(dòng)物體檢測(cè)技術(shù)多采用背景差分法、幀間差分法、光流場(chǎng)法、基于目標(biāo)特征模型檢測(cè)法。

2.1 背景差分法

背景差分法是一種對(duì)靜止場(chǎng)景進(jìn)行運(yùn)動(dòng)分割的通用方法，它將當(dāng)前獲取的圖像幀與背景圖像做差分運(yùn)算，得到目標(biāo)運(yùn)動(dòng)區(qū)域的灰度圖，對(duì)灰度圖進(jìn)行閾值化提取運(yùn)動(dòng)區(qū)域，其性能依賴(lài)于所使用的背景建模技術(shù)?？傮w來(lái)說(shuō)，背景差分法算法簡(jiǎn)單,在一定程度上克服了光線影響且在背景靜止的情況下檢測(cè)精度高。但是出于環(huán)境的多變，背景圖像的實(shí)時(shí)更新較困難；與靜止背景相對(duì)應(yīng)的，對(duì)于運(yùn)動(dòng)的攝像頭，背景差分法無(wú)法處理；背景差分法對(duì)于噪聲的影響較敏感。

S Mitropoulos使用混合高斯模型進(jìn)行物體的檢測(cè)，該方法能適應(yīng)變化的環(huán)境，對(duì)目標(biāo)物體的輪廓進(jìn)行提取并通過(guò)多級(jí)算法處理，最終通過(guò)監(jiān)督學(xué)習(xí)的分類(lèi)歸納樹(shù)(C4.5)處理得到結(jié)果；Drayer B等提出了一種基于框架級(jí)對(duì)象檢測(cè)的視頻圖像分割方法，該方法提取了基于時(shí)間一致的數(shù)據(jù)，有效的克服了無(wú)監(jiān)督視頻分割的典型問(wèn)題；Zhou Z[3]等基于子空間更新的背景算法，引入學(xué)習(xí)因子并運(yùn)用二維主成分分析來(lái)進(jìn)行背景差分，實(shí)際結(jié)果表明該方法取得較好結(jié)果；Shakeri M[4]等將低秩和不變稀疏分解用于運(yùn)動(dòng)目標(biāo)檢測(cè)。

2.2 幀間差分法

幀間差分法是將視頻流中相鄰兩幀或相隔幾幀圖像的兩幅圖像像素值相減，并對(duì)相減后的圖像進(jìn)行閾值化來(lái)提取圖像中的運(yùn)動(dòng)區(qū)域。它具有較強(qiáng)的自適應(yīng)能力且算法簡(jiǎn)單、不易受環(huán)境光線的影響、并且背景更新快，魯棒性較強(qiáng)。但是它不能用于運(yùn)動(dòng)攝像頭、靜止的物體，不易找到合適的幀間間隔，精度稍有遜色；最大的問(wèn)題在于，當(dāng)運(yùn)動(dòng)物體表面有大面積灰度值相似情況下，做差分會(huì)出現(xiàn)空洞。

Sengar S S等提出了一種基于塊的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，該方法利用三幀差分法避免了兩幀差分法的固有缺點(diǎn)，并具有成本低，精度較好的優(yōu)點(diǎn)；Chung W T[5]等提出了一個(gè)兩級(jí)前景傳播的運(yùn)動(dòng)物體檢測(cè)模型，該方法在第一階段建立權(quán)重矩陣，減少背景模型變化的影響，在第二階段運(yùn)用了迭代的方法，該方法可以精確地將前景提取出來(lái)。

2.3 光流場(chǎng)法

光流場(chǎng)是用來(lái)表征圖像中像素點(diǎn)的灰度值發(fā)生變化趨勢(shì)的瞬時(shí)速度場(chǎng)。利用光流場(chǎng)法實(shí)現(xiàn)目標(biāo)檢測(cè)的基本思想是：首先計(jì)算圖像中每一個(gè)像素點(diǎn)的運(yùn)動(dòng)向量，即建立整幅圖像的光流場(chǎng)。如果場(chǎng)景中沒(méi)有運(yùn)動(dòng)目標(biāo)，則圖像中所有像素點(diǎn)的運(yùn)動(dòng)向量應(yīng)該是連續(xù)變化的；如果有運(yùn)動(dòng)目標(biāo)，由于目標(biāo)和背景之間存在相對(duì)運(yùn)動(dòng)，目標(biāo)所在位置處的運(yùn)動(dòng)向量必然和鄰域的運(yùn)動(dòng)向量不同，從而檢測(cè)出目標(biāo)。光流場(chǎng)法能夠完全提取動(dòng)態(tài)信息、并獲得三維物體結(jié)構(gòu)的豐富信息，而且可以應(yīng)用于運(yùn)動(dòng)攝像頭。但是由于算法的復(fù)雜使得其實(shí)時(shí)性較差，且抗噪能力較弱。

Min Q等提出了一種基于運(yùn)動(dòng)平臺(tái)的立體運(yùn)動(dòng)融合檢測(cè)方法，該方法運(yùn)用三位運(yùn)動(dòng)模型集成的光流參數(shù)來(lái)估計(jì)物體的運(yùn)動(dòng)，在大量檢測(cè)的結(jié)果下，證明了其有效性。

2.4 基于目標(biāo)特征模型檢測(cè)法

基于目標(biāo)特征模型檢測(cè)法是將提取出的目標(biāo)特征，利用機(jī)器學(xué)習(xí)的方法判斷其是否為運(yùn)動(dòng)物體。隨著深度學(xué)習(xí)的出現(xiàn)，基于目標(biāo)特診模型檢測(cè)法的精度大幅提高，成為近年來(lái)最盛行的方法，深度學(xué)習(xí)尤其適用于視頻、圖像數(shù)據(jù)，和計(jì)算機(jī)視覺(jué)匹配度高。該方法檢測(cè)結(jié)果準(zhǔn)確性高，檢測(cè)過(guò)程簡(jiǎn)單、耗時(shí)少；但是目標(biāo)特征提取算法復(fù)雜、計(jì)算量大，需要樣本大、訓(xùn)練時(shí)間長(zhǎng)，最終導(dǎo)致實(shí)時(shí)性較差。

Varagula J[6]等運(yùn)用時(shí)滯網(wǎng)絡(luò)模型，提取目標(biāo)HOG特征，并利用IDNN識(shí)別、分類(lèi)了障礙物，結(jié)果表明該方法不僅能夠檢測(cè)出障礙物，還可運(yùn)用于行人車(chē)輛的檢測(cè)，并且具有較高的準(zhǔn)確性。

2.5 方法總結(jié)

實(shí)際選擇方法首先要按照工作對(duì)于檢測(cè)的要求分開(kāi)。若對(duì)數(shù)據(jù)要求不高，一般選擇背景差分法和幀間差分法。背景差分法最大的問(wèn)題在于背景建模方法及背景更新算法的選擇，幀間差分法最大的問(wèn)題在于空洞現(xiàn)象的產(chǎn)生，所以常用的解決方法是將兩種方法結(jié)合起來(lái)，避免短板的出現(xiàn)。若需要運(yùn)動(dòng)物體的特定屬性，一般選擇光流場(chǎng)法、基于目標(biāo)特征模型檢測(cè)法，光流場(chǎng)法最大的問(wèn)題在于算法復(fù)雜，基于目標(biāo)特征模型檢測(cè)法最大的問(wèn)題在于實(shí)時(shí)性差。但云計(jì)算的發(fā)展已可以有效提高基于目標(biāo)特征模型檢測(cè)法的計(jì)算速度。除此之外，運(yùn)動(dòng)物體檢測(cè)還需要解決除噪等預(yù)處理工作，并進(jìn)行圖像分割。

3 運(yùn)動(dòng)物體跟蹤

基于計(jì)算機(jī)視覺(jué)的運(yùn)動(dòng)物體跟蹤技術(shù)可以分為二維視覺(jué)追蹤、三維視覺(jué)追蹤，而二維視覺(jué)追蹤多在學(xué)習(xí)階段過(guò)度使用，在實(shí)際生活中，一般只使用三維視覺(jué)追蹤。三維視覺(jué)追蹤原理上是二維視覺(jué)數(shù)據(jù)根據(jù)三維模型的一個(gè)投影，結(jié)果的好壞要取決于投影模型的好壞。目前，現(xiàn)有的目標(biāo)跟蹤算法主要包括：基于圖像特征的跟蹤、基于模板匹配的跟蹤和基于運(yùn)動(dòng)預(yù)測(cè)的跟蹤等方法。

3.1 基于圖像特征的跟蹤

該方法對(duì)于從跟蹤目標(biāo)中的靜態(tài)特征(諸如顏色、幾何結(jié)構(gòu)、紋理等特征)進(jìn)行跟蹤，基本步驟是特征提取、特征匹配、目標(biāo)跟蹤，最后用特征描述實(shí)現(xiàn)更新，但是當(dāng)運(yùn)動(dòng)目標(biāo)比較多時(shí)，特征采集的難度增加，跟蹤路程非常復(fù)雜。常用的目標(biāo)特征分為3類(lèi)：全局特征、局部特征以及上下文特征。該算法簡(jiǎn)單，并可以對(duì)多個(gè)目標(biāo)進(jìn)行跟蹤，但是易受觀測(cè)角度(遮擋)影響。

Shi J[7]等研究了間歇性觀測(cè)跟蹤擴(kuò)展目標(biāo)的問(wèn)題，基于實(shí)際應(yīng)用兩個(gè)伯努利分布隨機(jī)變量描述了位置測(cè)量和目標(biāo)范圍的測(cè)量的間歇現(xiàn)象。

3.2 基于模板匹配的跟蹤

基于模板匹配的跟蹤就是要提前確定目標(biāo)模型，通過(guò)點(diǎn)線的方式構(gòu)造追蹤目標(biāo)幾何模型，分析模型的特征，并將視頻中采集到的目標(biāo)特征與幾何模型進(jìn)行匹配分析，進(jìn)而將跟蹤問(wèn)題轉(zhuǎn)化為匹配問(wèn)題。目前，外觀模型主要分為三類(lèi)：生成模型、判別模型以及生存-判別模型。該方法不受觀測(cè)角度(遮擋)的影響，但是算法復(fù)雜度較高。

核方法(kernel method)可以把數(shù)據(jù)集從低維映射到高維，使得原來(lái)線性不可分的數(shù)據(jù)集變得線性可分，Wang Y[8]等對(duì)幾種著名的基于kernel的方法進(jìn)行了定量的比較，結(jié)果表明基于核的在線子空間算法在實(shí)現(xiàn)目標(biāo)跟蹤的穩(wěn)定性和實(shí)時(shí)處理之間取得了較好的平衡；Dey J運(yùn)用遺傳算法完成運(yùn)動(dòng)目標(biāo)跟蹤；Bozorgtabar B等提出一種基于稠密子圖的多目標(biāo)跟蹤算法，該方法尤其適用于遮擋情況。

3.3 基于運(yùn)動(dòng)預(yù)測(cè)的跟蹤

常用的基于運(yùn)動(dòng)預(yù)測(cè)的跟蹤方法主要有卡爾曼濾波法、擴(kuò)展卡爾曼濾波法、粒子濾波等。經(jīng)過(guò)改良的粒子濾波算法在非線性和非高斯系統(tǒng)中表現(xiàn)出優(yōu)越性以及很好的多模態(tài)處理能力，因此常被選做目標(biāo)跟蹤。但是，該方法的缺點(diǎn)很明顯，首先，需要大量的樣本才能完成對(duì)近似系統(tǒng)的后驗(yàn)概率密度計(jì)算，從而導(dǎo)致計(jì)算量大。其次，粒子濾波算法存在粒子的退化現(xiàn)象。

Chen S基于無(wú)人機(jī)環(huán)境(UAV)，提出了在復(fù)雜室內(nèi)和室外跟蹤地面目標(biāo)的方法；Sun W[9]等提出了一種基于最小二乘法和智能避碰的行人跟蹤模型，提高了傳統(tǒng)的卡爾曼算法的精度。

3.4 方法總結(jié)

對(duì)于運(yùn)動(dòng)物體預(yù)測(cè)方法的選擇，首先要考慮較常發(fā)生的問(wèn)題，例如：遮擋、影子、背景干擾、重補(bǔ)丟失目標(biāo)等。在具體問(wèn)題具體處理對(duì)應(yīng)情況后就可以考慮精度問(wèn)題了，現(xiàn)有的算法大多數(shù)人都會(huì)選擇基于運(yùn)動(dòng)預(yù)測(cè)的跟蹤，這主要由于它獨(dú)特的優(yōu)越性以及不低的精度。

4 運(yùn)動(dòng)物體分類(lèi)識(shí)別

視頻監(jiān)控系統(tǒng)中車(chē)輛的識(shí)別和分類(lèi)起著舉足輕重的作用，準(zhǔn)確、穩(wěn)健的對(duì)視頻圖像中的車(chē)輛進(jìn)行分類(lèi)識(shí)別是執(zhí)行其它更高層次的視覺(jué)任務(wù)的基礎(chǔ)。目標(biāo)識(shí)別可以看做是一個(gè)標(biāo)準(zhǔn)的模式識(shí)別過(guò)程，是在目標(biāo)檢測(cè)、跟蹤的基礎(chǔ)上進(jìn)行的，首先根據(jù)實(shí)際的需要確定好要分的類(lèi)別，從檢測(cè)到的目標(biāo)中提取合適的特征；然后根據(jù)選取的特征運(yùn)用分類(lèi)器進(jìn)行分類(lèi)，從而得到圖像中運(yùn)動(dòng)目標(biāo)的類(lèi)型和數(shù)量。目前，現(xiàn)有的目標(biāo)分類(lèi)識(shí)別算法主要包括：基于形狀信息的識(shí)別、基于運(yùn)動(dòng)信息的識(shí)別和二者混合的識(shí)別等方法。由于近年來(lái)詞袋模型以及深度學(xué)習(xí)的優(yōu)越，本文主要介紹這兩種方法而不對(duì)比其他方法的優(yōu)缺點(diǎn)。

4.1 詞袋模型

詞袋模型從2005年開(kāi)始被廣泛認(rèn)可，并在很多主流數(shù)據(jù)庫(kù)上和歷年的PASCAL VOC目標(biāo)識(shí)別競(jìng)賽中都取得了較好的結(jié)果。詞袋模型最初產(chǎn)生于自然語(yǔ)言處理領(lǐng)域，通過(guò)建模文檔中單詞出現(xiàn)的頻率來(lái)對(duì)文檔進(jìn)行描述與表達(dá)。Csurka等人于2004年首次將詞典的概念引入計(jì)算機(jī)視覺(jué)領(lǐng)域。由此大量的研究工作集中開(kāi)始于詞袋模型的研究，并逐漸形成了由特征提取、特征聚類(lèi)、特征編碼、特征匯集和分類(lèi)器4部分組成的標(biāo)準(zhǔn)目標(biāo)分類(lèi)框架。詞袋模型中大量的工作集中于在特征編碼和特征匯集方面。

4.2 深度學(xué)習(xí)

深度學(xué)習(xí)模型不同于傳統(tǒng)目標(biāo)識(shí)別模型，其基本思想是通過(guò)有監(jiān)督學(xué)習(xí)或者無(wú)監(jiān)督的方式學(xué)習(xí)層次化的特征表達(dá)，來(lái)對(duì)目標(biāo)進(jìn)行從底層到高層的描述。深度學(xué)習(xí)中的每一個(gè)節(jié)點(diǎn)代表一個(gè)神經(jīng)元，這種層次很好的符合了人腦的神經(jīng)元處理結(jié)構(gòu)，并通過(guò)引入反饋機(jī)制模擬人腦的認(rèn)知過(guò)程。從2012年開(kāi)始，深度學(xué)習(xí)模型取得了突破性的進(jìn)展，在大規(guī)模數(shù)據(jù)庫(kù)ImageNet-1000上取得了比詞袋模型高出10%的分類(lèi)精度，并且迅速成為研究熱點(diǎn)，并引領(lǐng)了近年的研究熱潮。

4.3 實(shí)際事例

Zaki M H等利用最近鄰分類(lèi)算法對(duì)上海雙行道的機(jī)動(dòng)車(chē)、非機(jī)動(dòng)車(chē)進(jìn)行分類(lèi)，從運(yùn)動(dòng)物體跟蹤軌跡中提取最大速度、步頻、加速度參數(shù)作為分類(lèi)特征，經(jīng)檢驗(yàn)，該方法的正確分類(lèi)率高達(dá)93%；MVM Jayathilake等利用高斯混合模型對(duì)同質(zhì)和異質(zhì)交通環(huán)境視頻流中的車(chē)輛進(jìn)行檢測(cè)和分類(lèi)；Rad M S等使用深度學(xué)習(xí)模型對(duì)道路垃圾進(jìn)行分類(lèi)，并用其提出了道路清潔的指標(biāo)；Sheikh M A A[10]等利用色彩特征和神經(jīng)網(wǎng)絡(luò)對(duì)道路標(biāo)識(shí)進(jìn)行檢測(cè)、分類(lèi)，正確分類(lèi)率高達(dá)88%；García-Ordás M T等利用形狀描述符和機(jī)器學(xué)習(xí)技術(shù)對(duì)銑削過(guò)程中的刀具磨損水平進(jìn)行分析和分類(lèi)；Valiere P[11]等提出了一種適用于嚴(yán)重陰影和遮擋情況的車(chē)輛分類(lèi)計(jì)數(shù)方法，精度高達(dá)98%；Zhu Z[12]等利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)于交通標(biāo)識(shí)進(jìn)行分類(lèi)。

5 行為分析

根據(jù)現(xiàn)有文獻(xiàn)，目前人體行為識(shí)別按照其研究對(duì)象的復(fù)雜程度可以分為四個(gè)層次：基元行為、單人行為、交互行為、群體行為。根據(jù)實(shí)際需要，可以分為行為分類(lèi)和行為檢測(cè)。根據(jù)識(shí)別方法，可以分為單層次識(shí)別方法、多層次識(shí)別方法。本文將按照識(shí)別方法分類(lèi)進(jìn)行書(shū)寫(xiě)。

5.1 單層次識(shí)別方法

單層次方法是一種基于序列圖像的人體行為表示和識(shí)別方法，該方法將人體看成是視頻中的動(dòng)態(tài)目標(biāo)，此時(shí)的人體目標(biāo)是一個(gè)動(dòng)態(tài)事件，包含時(shí)間變化，而不是一個(gè)靜態(tài)物體，該方法十分適合人體姿態(tài)識(shí)別和具有時(shí)空特征的人體行為識(shí)別，此類(lèi)方法常應(yīng)用于簡(jiǎn)單行為識(shí)別。單層次方法又被分為時(shí)空表示法和序列表示法。

Ter-Sarkisov A[13]等利用Bootstrapping標(biāo)記數(shù)據(jù)集進(jìn)行奶牛跟蹤和行為分析，該方法可以在混亂的背景使用，并區(qū)分出奶牛的基本行為；Yamamoto J[14]等提出基于頂視圖深度相機(jī)的客戶行為分析研究，精度高于89.5%；Wu Y[15]等運(yùn)用迭代、回歸、計(jì)算機(jī)視覺(jué)等知識(shí)進(jìn)行面部特征檢測(cè)和面部表情分析；Wu Y[16]等利用面部遮擋法同時(shí)進(jìn)行面部標(biāo)志物檢測(cè)、姿勢(shì)和變形估計(jì)。

5.2 多層次識(shí)別方法

多層次方法是一種先將人的行為分解成為一些子行為或原子級(jí)動(dòng)作，在這些自行為的基礎(chǔ)上構(gòu)建出高層復(fù)雜行為的識(shí)別方法。多層次方法適用于交互行為、群體行為和復(fù)雜行為的識(shí)別。多層次方法又被分為基于統(tǒng)計(jì)的方法、基于文法的方法和基于描述的方法。

Jensen J S等提出一種基于計(jì)算機(jī)視覺(jué)的智能系統(tǒng)中波束形成行為的合成與分析框架；Katsageorgiou V M等運(yùn)用社會(huì)交往的知識(shí)進(jìn)行小鼠的無(wú)監(jiān)督行為分析，并提出了mean-covariance限制玻爾茲曼機(jī)適用于抽象更高層次的行為這一結(jié)論；Kok V J等分別從物理學(xué)和生物學(xué)角度分析了計(jì)算機(jī)視覺(jué)用于群體行為分析的意義。

5.3 方法總結(jié)

在行為識(shí)別研究前期，研究對(duì)象主要是在簡(jiǎn)單場(chǎng)景下的單人行為，行為類(lèi)別比較少，場(chǎng)景比較簡(jiǎn)單，研究者們提出的行為識(shí)別方法大多集中在單人簡(jiǎn)單行為的表達(dá)。在這段時(shí)間，出現(xiàn)了一些基于序列和基于時(shí)空體的經(jīng)典行為識(shí)別算法，為后期相對(duì)復(fù)雜的行為識(shí)別打下了堅(jiān)實(shí)的基礎(chǔ)。在后期的行為識(shí)別中，研究對(duì)象相對(duì)比較復(fù)雜，除了從單人發(fā)展到多人、場(chǎng)景更加復(fù)雜外，數(shù)據(jù)庫(kù)的規(guī)模逐步擴(kuò)大，數(shù)據(jù)類(lèi)型也隨著計(jì)算機(jī)視覺(jué)及硬件技術(shù)的進(jìn)步變得更加多樣化。

國(guó)內(nèi)在行為識(shí)別技術(shù)發(fā)展前期屬于空白階段，在近期逐步重視，但是多人交互行為研究仍待努力。國(guó)外的發(fā)展則更為全面，覆蓋時(shí)間更長(zhǎng)。我國(guó)現(xiàn)階段行為分析方法主要發(fā)展多層次識(shí)別方法，單層次識(shí)別方法已經(jīng)基本完善。

6 總結(jié)

計(jì)算機(jī)視覺(jué)是一個(gè)非常熱門(mén)的研究方向，結(jié)合自然語(yǔ)言、云計(jì)算、機(jī)器學(xué)習(xí)等技術(shù)在實(shí)際應(yīng)用中的使用更加廣泛。目前，運(yùn)動(dòng)物體檢測(cè)與識(shí)別方面已經(jīng)較完善，主要研究在于復(fù)雜環(huán)境的影響、突發(fā)情況的處理以及精度提升；運(yùn)動(dòng)物體分類(lèi)識(shí)別方面近年來(lái)基本已經(jīng)被機(jī)器學(xué)習(xí)所獨(dú)占，比其他方法都要突出的精確率、簡(jiǎn)單的思路、易實(shí)現(xiàn)的大數(shù)據(jù)平臺(tái)，這些優(yōu)越的條件使得運(yùn)動(dòng)物體分類(lèi)識(shí)別領(lǐng)域在短期內(nèi)不會(huì)有過(guò)大的改變，因此，該方面在近期研究方向應(yīng)當(dāng)為優(yōu)化機(jī)器學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)的研究；行為分析方面是以上3個(gè)方面的綜合運(yùn)用，是具有最大潛力的領(lǐng)域，因此，今后的發(fā)展方向?yàn)楫惓Ｐ袨榉治?、多行業(yè)融合。總之，計(jì)算機(jī)視覺(jué)會(huì)得到各領(lǐng)域研究者們的持續(xù)關(guān)注，并在各個(gè)方面快速發(fā)展。