如今智能攝像機的組成及其硬件技術(shù)已然相對穩(wěn)定和完善，要最終實現(xiàn)智能攝像機的監(jiān)控任務(wù)和智能技術(shù)還必須要軟件功能的密切配合，高效率的視頻編解碼技術(shù)及其高效的計算機視覺算法是智能攝像機的核心技術(shù)，為攝像機實現(xiàn)智能分析任務(wù)提供了重要的技術(shù)保障。從視頻采集到智能結(jié)果結(jié)構(gòu)化輸出主要包含：運動目標提取、運動目標跟蹤、運動目標歸類和運動目標行為分析及其結(jié)構(gòu)化描述等步驟，下面就一一介紹。

1.運動目標提取

運動目標提取是智能分析的準備工作，根據(jù)這個工作攝像機能夠從圖像序列中將變化區(qū)域從背景區(qū)域中提取出來，運動目標的高效提取將大大減少后續(xù)過程的運算量，對于后期的目標識別和行為分析具有重要意義，當前比較主流的方式有背景減除法、時間差分法和光流法，最經(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.運動目標跟蹤

運動目標的追蹤，即根據(jù)目標的高效表現(xiàn)，在圖像序列中找到與目標模板最相似候選目標區(qū)位置的過程。簡單說，就是在序列圖像中為目標定位。運動目標的高效表現(xiàn)除了對運動目標建模外，目標跟蹤中常用到的目標特性表現(xiàn)主要包含：視覺特征(圖像邊緣、輪廓、外形、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。除了采用單一特征外，也可根據(jù)融合多個特征來提升追蹤的可靠性，當前主流的方式有：根據(jù)區(qū)域匹配追蹤算法、根據(jù)輪廓匹配追蹤算法、根據(jù)特征匹配追蹤算法。

3.運動目標歸類

運動目標歸類，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，比如歸類場景中的人、車輛、人群等不同的目標。當前比較主流的方式有根據(jù)運動特性的歸類和根據(jù)外形信息的分類。

4.運動目標行為分析

行為分析是智能攝像機的重要目標之一，也是視頻監(jiān)控在維護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行低級處理的基礎(chǔ)上，根據(jù)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的信息，進一步研究圖像中各目標的性質(zhì)及其相互之間的聯(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)和決策樹來進行行為分析。