情景感知移动目标检测的制作方法

本公开涉及但不限于图像捕捉和分析。

背景

关于固定的监控摄像机的视觉目标检测和跟踪是视频分析的基本功能，并且在包括视觉事件/行为检测、视频内容提取、视频内容指导的视频压缩，基于视频内容的法医搜索等的很多智能视频应用中发挥了重要作用。随着摄像机变得更便宜和安装更加广泛，这种功能比以往变得更加重要并且期望提供更高的性能。

关于目标检测的一个挑战是在例如正常照明、低照明、白天、夜晚、存在反射和/或阴影等的各种情况和条件下准确地检测目标。通常情况下，使用包括检测灵敏度的参数的手动操作和微调以适应场景环境和照明条件。如果条件改变，预置参数可能变得无效并且可能产生不佳的性能。例如，针对正常照明条件设置的参数可能不适用于低照明情况并且因此目标可能不会被检测到。

在目标检测和跟踪中的另一个挑战是目标的过分割，即单个物理主体被分成多个视觉部分。因此，生成关于该单个物理主体的多个踪迹(轨迹)，并且踪迹显得微弱和/或可能随时间而波动，因此当这些踪迹用于发出报警或用于法医搜索时会提供错误信息。例如，当人在场景中行走时，这个人的身体部位(例如，头、躯干、手和腿)可以作为单一的图像斑块被检测并且然后随着时间的推移作为整个实体被跟踪。然而，身体部位有时被单独分割并且每个部分可以被跟踪一些时间、在另一些时间合并和分割、和/或频繁出现和消失。当踪迹在显示器上被可视化的时候，这可能是混淆和令人生气的，并且对它们所做的进一步处理可能导致不准确的结果(例如错误的目标类型分类、事件/行为检测等)。

概要

图像捕捉系统的示例包括：被配置为捕捉包括一组像素的第一图像帧的图像捕捉单元；耦合到图像捕捉单元的处理器，并且其被配置为：确定第一图像帧中的每个像素的在第一图像帧和第二图像帧之间的像素特征的归一化距离；将第一图像帧中的每个像素的归一化距离与该像素的像素灵敏度值进行比较；相对于第一图像帧的特定像素的像素灵敏度值，基于特定像素的归一化距离确定特定像素是前景像素还是背景像素；及在允许的像素灵敏度值的范围上调节每个像素的像素灵敏度值。

这种系统的实现可以包括以下特征中的一个或多个特征。处理器被配置为基于基础灵敏度值计算每个像素的像素灵敏度值。处理器被配置为基于帧中的被识别的斑块中的强烈运动像素与总运动像素的比值调整基础灵敏度值。处理器被配置为：确定被识别的斑块中的强烈运动像素与总运动像素的百分比的直方图；确定在直方图的所有指数值中具有最高计数的直方图的峰值指数值；如果峰值指数值不合期望地低时，则减少基础灵敏度值；并且如果峰值指数值不合期望地高时，则增加基础灵敏度值。

此外或可替代地，这种系统的实现可以包括以下特征中的一个或多个特征。处理器被配置为将归一化距离确定为有限多个归一化距离值中的一个归一化距离值，并且其中第二帧是背景帧。处理器还被配置为通过执行以下操作来识别运动斑块：按归一化距离的开始等级到最终等级对相邻的像素进行分组；和在被确定为前景像素的像素的数量和包围这些前景像素的区域的边界框的尺寸方面监控不同等级上的变化。处理器还被配置为通过基于视角信息和先前跟踪的目标将相邻的斑块合并在一起来产生目标。处理器还被配置为：确定第二帧的每一个位置是否有噪声，并且如果有噪声，确定噪声有多大；确定第二帧中的每一个位置是否是显著性踪迹(salient track)的一部分；和学习被监控场景的视角信息。

此外或可替代地，这种系统的实现可以包括以下特征中的一个或多个特征。处理器还被配置为：在多个帧上跟踪目标；通过计算多个图像帧上的目标的特征的统计信息来计算每个被跟踪目标的置信度值；并说明变化的目标特征。处理器还被配置为：基于被跟踪目标中的每一个的置信度值更新场景噪声映射；基于被跟踪目标中的每一个的置信度值更新灵敏度映射；基于被跟踪目标中的每一个的置信度值更新踪迹显著性映射；及基于被跟踪目标中的每一个的置信度值更新目标适合度指数直方图。处理器还被配置为基于场景噪声映射和踪迹显著性映射计算每个像素的灵敏度值。处理器还被配置为通过识别尺寸持续的被跟踪目标和通过比较在不同场景位置的尺寸持续的被跟踪目标的尺寸与一个或多个参考目标尺寸来自动确定视角映射。

成像方法的示例包括：捕捉包括一组像素的第一图像帧；确定第一图像帧中的每个像素的在第一图像帧和第二图像帧之间的像素特征的归一化距离；在可能的归一化距离值的范围之内从起始值到最终值变化参考值；将第一图像帧中的每个未标记的像素的归一化距离与参考的当前值进行比较；并且标记其归一化距离大于参考的当前值的像素。

这种方法的实现可以包括以下特征中的一个或多个特征。方法还包括：将第一图像帧的标记的相邻像素分组为斑块；和在斑块中的像素的数量和斑块的边界框的尺寸方面监控参考的不同值的变化。该方法还包括通过基于视角信息和先前的被跟踪目标将相邻的斑块合并在一起来产生目标。

此外或可替代地，这种方法的实现可以包括以下特征中的一个或多个特征。该方法还包括：基于基础灵敏度值计算每个像素的像素灵敏度值；使用像素灵敏度值确定归一化距离和将像素分组成斑块；和改变基础灵敏度值。改变基础灵敏度值是基于图像帧中的被识别的斑块中的强烈运动像素与总运动像素的比值。改变基础灵敏度值包括：确定识别的斑块中的强烈运动像素与总运动像素的百分比的直方图；确定在直方图的所有指数值中具有最高计数的直方图的峰值指数值；如果峰值指数值不合期望地低，则减少基础灵敏度值；并且如果峰值灵敏度值不合期望地高，则增加基础灵敏度值。

此外或可替代地，这种方法的实现可以包括以下特征中的一个或多个特征。该方法还包括：确定第二帧的每一个位置是否有噪声，并且如果有噪声，确定噪声有多大；确定第二帧中的每一个位置是否是显著性踪迹的一部分；和学习被监控场景的视角信息。该方法还包括：在多个帧上跟踪目标；通过计算在多个图像帧上的目标的特征的统计信息计算每个被跟踪目标的置信度值；并说明变化的目标特征。该方法还包括：基于被跟踪目标的每一个的置信度值更新场景噪声映射；基于被跟踪目标的每一个的置信度值更新灵敏度映射；基于被跟踪目标的每一个的置信度值更新踪迹显著性映射；和基于被跟踪目标的每一个的置信度值更新目标适合度指数直方图。该方法还包括基于场景噪声映射和踪迹显著性映射计算每个像素的像素灵敏度值。该方法还包括通过识别尺寸持续的被跟踪目标和通过比较在不同场景位置的尺寸持续的被跟踪目标的尺寸与一个或多个参考目标尺寸自动确定视角映射。

运动目标检测系统的示例包括：图像捕捉单元，其被配置为捕捉每个包括一组像素的图像帧；用于确定图像帧中的每个像素的在多个图像帧之间的像素特征的归一化距离的装置；用于识别包括具有相似的归一化距离值的相邻像素的运动斑块的装置；和用于通过基于与斑块相关联的视角信息组合相邻的运动斑块来形成目标的装置。

这种系统的实现可以包括一个或多个以下的特征。该系统还包括用于通过跟踪在图像帧中的多个图像帧上的目标和使用图像帧中的多个图像帧的一个或多个参考目标尺寸确定视角信息的装置。该系统还包括用于基于基础灵敏度值、场景噪声映射和踪迹显著性映射改变像素灵敏度信息的装置，其中用于确定归一化距离的装置使用灵敏度信息确定归一化距离。用于改变像素灵敏度信息的装置还被配置为基于帧中的被识别的斑块中的强烈运动像素与总运动像素的比值调整基础灵敏度值。该系统还包括：用于确定被识别的斑块中的强烈运动像素与总运动像素的百分比的直方图的装置；用于确定在直方图的所有指数值中具有最高计数的直方图的峰值指数值的装置；用于如果峰值指数值不合期望地低则减少基础灵敏度值的装置；和用于如果峰值指数值不合期望地高则增加基础灵敏度值的装置。

此外或可替代地，这种系统的实现可以包括以下特征中的一个或多个特征。用于识别运动斑块的装置包括：用于按归一化距离的开始等级到最终等级对相邻的像素进行分组的装置；和用于在被确定为前景像素的像素的数量和包围这些前景像素的区域的边界框的尺寸方面监控不同等级的变化的装置。该系统还包括用于通过基于视角信息和先前的被跟踪目标将相邻的斑块合并在一起来产生目标的装置。该系统还包括：用于在多个图像帧上跟踪目标的装置；用于通过计算多个图像帧上的目标的特征的统计信息计算每个被跟踪目标的置信度值的装置；和用于说明变化的目标特征的装置。该系统还包括：用于基于被跟踪目标中的每一个的置信度值更新场景噪声映射的装置；用于基于被跟踪目标中的每一个的置信度值更新灵敏度映射的装置；用于基于被跟踪目标中的每一个的置信度值更新踪迹显著性映射的装置；用于基于被跟踪目标中的每一个的置信度值更新目标适合度指数直方图的装置。该系统还包括：用于确定第二帧的每一个位置是否有噪声且如果有噪声则确定噪声有多大的装置；用于确定第二帧中的每一个位置是否是显著性踪迹的一部分的装置；和用于学习被监控场景的视角信息的装置。

本文描述的项目和/或技术可以提供以下性能中一个或多个性能，以及其它未提及的性能。例如，实现考虑了可用的信息，自动确定运动像素检测的灵敏度和学习场景中的噪声等级。目标检测和跟踪可以稳健地执行，例如，在大范围的照明条件下和/或具有良好的紧凑性(消除脆弱的踪迹)，和因此有利于依赖被跟踪目标的质量的那些视频应用。可以减少或消除目标检测系统的手动配置。此外，通过不同于指出的装置实现以上指出的效果也许是可能的，并且指出的项目/技术可能不一定产生指出的效果。

附图简述

图1是安全摄像机网络的示意图。

图2是在图1中示出的摄像机的框图。

图3是目标检测和跟踪的过程的程序框图。

图4是运动斑块提取过程的程序框图。

图5是建立场景感知测量的过程的程序框图。

图6是自动基础灵敏度调整的过程的程序框图。

图7是目标适合度指数直方图的一组图。

图8是在不同位置的多个图像中的目标的简化视角图。

图9是视角映射学习的过程的程序框图。

详细描述

提供了用于目标检测的情景感知方法的技术。例如，使用自适应运动像素检测、噪声区域的自动检测、运动斑块分割和目标的跟踪和视角引导的目标检测执行目标检测。目标检测被视为受运动像素提取、跟踪目标和摄像机视角投影影响的综合过程。根据学习的关于背景和前景目标的信息随着时间的推移执行调整，自动执行关于目标检测的灵敏度调整。

参考图1，安全摄像机网络100包括数字摄像机102、服务器104和用户接口106。摄像机102被配置为捕捉目标的图像，例如布置在摄像机102的视野110之内的人108。摄像机102可以是固定位置的摄像机、PTZ(平移-倾斜-变焦)摄像机、或其它类型的摄像机。此外，尽管示出了仅仅一个摄像机102，系统100可以包括一个以上的摄像机。摄像机被通信连接(例如通过有线和/或无线连接)到通信连接到用户接口106的服务器104。接口106包括显示器和扬声器以提供可视和音频信息给用户。接口106包括报警器112，其被配置为通过扬声器和显示器提供警报给用户，例如以指示在摄像机102的视野内出现的移动的非背景目标。

摄像机102具有相关联的观察点和视野110。观察点是根据其物理区域被摄像机102观察的位置和视角。视野110是被摄像机102捕捉在帧中的物理区域。

还参考图2，摄像机102包括摄像机光学器件200、图像捕捉单元202、处理单元204、和通信接口206。摄像机光学器件200包括镜头和其它光学部件，并且和图像捕捉单元202通信耦合。图像捕捉单元202包括互补金属氧化物半导体(CMOS)电荷耦合器件(CCD)和/或其它技术以将光学图像转换为被传送到处理单元204的电信息。单元202对入射到单元202上的光的强度是敏感的，单元202可以用于周期性地例如30帧每秒产生VGA彩色图像。同样和处理单元204耦合的是通信接口206，信息通过通信接口206例如通过诸如局域网、广域网、无线网等的通信网络被发送到服务器104和从服务器104接收信息。

处理单元204也被称为处理器204，其处理图像信息并包括中央处理单元(CPU)或数字信号处理器(DSP)208和存储器210。CPU/DSP 208优选是智能设备，例如个人计算机的中央处理单元(CPU)，例如由公司或制造的那些CPU，微控制器，专用集成电路(ASIC)等。也可以使用DSP，例如由制造的DM6446。CPU/DSP208耦合到包括随机存取存储器(RAM)和只读存储器(ROM)的存储器210。存储器210是非暂时性的，并且优选存储机器可读、机器可执行的软件代码220，该软件代码220包括被配置为当执行时引起CUP/DSP208执行本文描述的各种功能的指令。可替代地，软件220可以不直接被处理器CPU/DSP208执行但是被配置为例如当编译和执行时引起处理器CPU/DSP208执行本文描述的各种功能。

处理单元204可以分析来自图像捕捉单元202的信息以生成图像帧和产生背景图像。处理单元204可以随时间收集关于捕捉的图像的每一个像素的统计信息。由于图像中的噪声和变化条件，像素强度的值通常将大致根据给定在相应位置的主体的恒定颜色的像素强度的高斯曲线随时间而变化。例如使用高斯曲线的平均值和标准差由处理单元204产生随时间变化的像素强度的值的数学模型。处理单元204可以编译所有像素的数学图像以用作背景图像。处理单元204例如在每个新的帧被图像捕捉单元202捕捉后优选将更新背景图像。

处理单元204可以将当前图像与背景图像进行比较以确定在摄像机102的视野110中是否存在移动的目标。处理单元204可以从当前图像中减去背景图像(或反之亦然)以产生差分像素值和确定是否任何差分像素值具有例如超出阈值的较大幅度。图像中的新的或移动的目标将产生具有较大幅度的大量的相邻的差分像素值。具有较大差分值的像素构成图像的前景。

处理单元204可以确定前景像素或前景像素的相邻组、斑块是否可以从作为目标的考虑中排除或是否应当考虑做进一步分析。例如，处理单元204可以忽略不显著尺寸(例如低于像素的阈值数量)的斑块、像素颜色、和/或重复的动作(例如，随着时间的推移，相同的像素产生重复的差分值，例如，由于非相关目标重复移动，例如在风中摇曳的树)。否则，斑块被标记和指定用于进一步分析。

处理器204可以准备和维护被称为目标适合度指数直方图的直方图以在目标的强烈移动像素的数量相对于目标的移动像素的总数量的百分比方面测量在摄像机的视野110中的移动目标的质量。处理器204可以使用这个直方图调整用于自动灵敏度控制的基础灵敏度因子。

处理器204可以限定场景噪声映射以指示每个场景位置是有噪声还是没有噪声。例如，具有飘扬的树或树叶的区域应该被认为有噪声而开放的交通道路应该被认为没有噪声。

处理器204被配置为开发踪迹显著性映射以根据移动历史图像指定在场景中的每个位置什么时候和怎样被显著性踪迹访问(对应于场景中的真实主体的高度受信任的踪迹)。踪迹是当目标在场景中从它第一次出现到它消失行进时的位置的轨迹(连同围绕各个目标的边界框、矩形)。由于场景中的噪声，被跟踪的目标可能对应于非相关的项目，例如树、灌木、或光的反射。因此，通过分析踪迹特征，例如目标尺寸、持续性、行进长度、速度的变化和/或方向等，踪迹可能被检测为噪声踪迹。相反，根据检查的特征，如果它的相应的目标在场景中持续移动，则踪迹可以是显著性踪迹。踪迹显著性映射与噪声映射协作，使得在较近的过去被任何显著性踪迹访问的像素不被视为噪声像素测试。也就是说，被场景噪声映射指定的噪声像素仅仅发生于那些长时间还没有被任何显著性踪迹访问的噪声像素。显著性映射是像素的值的帧，每个像素指示从显著性踪迹上一次访问每个像素(即从每个像素是被跟踪目标的一部分的时间)的时间(例如通过从0到255的数来表示)。

处理器204还被配置为生成灵敏度映射以确定移动像素怎样在场景上产生。在映射中的每个像素值ki是关于场景位置i的控制因子，其用于通过输入的像素值和学习的背景值之间的距离比较确定在位置i的像素是移动像素还是背景像素。在这里，“距离”是特征的度量，例如像素强度差，而不是物理距离。灵敏度映射被自动建立，并且它的像素值范围从基础灵敏度因子kbase到预置的最大灵敏度因子kmax(例如，kmax＝10)。基础灵敏度因子是全局(即适用于帧中的所有像素)参数并且它基于在场景中发生的目标活动确定并且范围从2到kmax。基础灵敏度的确定在下文关于图6进行更充分的论述。

灵敏度映射通过在相对意义上计算到背景像素的距离和到像素的学习标准差的距离帮助区分背景像素与移动像素。给定像素位置，根据选定特征(本文为像素强度)的平均值和标准差值，在匆忙中学习背景模型。对于新的帧，像素的强度与平均值进行比较，并且计算距离。该距离然后在相同的像素位置通过标准差(即除以标准差)归一化。处理器204可以针对该像素(即像素灵敏度值)将该归一化距离与灵敏度值(ki)进行比较。如果归一化距离大于灵敏度值，处理器204将该像素归类为移动像素，否则将该像素归类为背景像素。

处理器204还被配置为生成归一化距离等级映射。在该映射中，如果使用移动平均方法，则每个值代表在它的特征(例如像素强度)和单个模型之间的相对距离，或者如果使用混合高斯建模，则每个值代表关于相应像素的最接近匹配的背景模型。

给定来自观察感兴趣场景的摄像机102的输入视频帧，一个或多个背景模型可以使用各种背景建模方法中的任意一种针对每个像素进行学习，例如，移动平均和高斯混合建模(GMM)，和通过与背景模型进行比较，输入像素可以被检测为前景像素(运动像素)或背景像素。处理器204根据以下公式可以计算归一化距离：

以测量在像素i的特征值fi和在相同像素的具有平均值μij和标准差δij的第j个背景模型mij的相对距离。如果应用移动平均方法，μij和δij分别是获得的平均值和标准差，其可以被认为是唯一的模型。

给定具有特征值fi的像素i，它的最接近的背景模型mic通过获得。如果利用高斯混合建模，通过还考虑代表背景的相匹配的背景模型的概率可以确定匹配的背景模型mic(用于更新或属于在背景建模期间的模型的像素的相对数量)。

如果d(fi,mij)＞ki，则像素i可以归类为前景像素(运动像素)，或如果d(fi,mij)≤ki，则像素i可以被归类为背景像素，其中ki用作关于像素i的灵敏度的控制因子，并且它存储在灵敏度映射中。处理器204可以计算在像素i的归一化距离等级映射的值，根据：

levi＝min(d(fi,mic)×MaxLev/ki,MaxLev)

其中MaxLev是预置的最高等级，例如10。因此，等级映射的像素值范围从0到MaxLev，并且被灵敏度映射控制。

处理器204还被配置为生成视角映射以对捕捉场景的视频的摄像机102的投影特性建模。在该映射中，每个像素分别被关于相对于参考位置的相应位置的比例因子表示。

处理单元204还被配置为通过通信接口206将捕捉的视频数据和元数据发送到服务器104。处理单元204将包括视频帧和具有指示视频数据的语义显著部分的特性的描述的元数据发送到服务器104。例如，元数据可以指示目标的高度和宽度、颜色和速度(速率和方向)。

接下来参考图3，并进一步参考图1-2，在被摄像机102捕捉的图像内的目标检测和跟踪的过程300包括示出的阶段。然而，过程300仅仅是示例而非限制。例如通过添加阶段、移除阶段、重新排列阶段、组合阶段、和/或同时执行阶段，可以改变过程300。过程300使用包括灵敏度和视角的多个标准以确定图像中的像素是背景的部分还是前景的部分，并且因此很少或不关心，并且因此应该被跟踪和值得引起使用者的注意，例如通过激活报警器112。

在阶段301，图像被捕捉并且背景图像被建模。摄像机102通过摄像机光学器件200和图像捕捉单元202捕捉图像，并且处理器204使用随着时间的推移捕捉的多个图像建立背景图像的数学模型。使用例如移动平均法和高斯混合建模的多种已知的或将来开发的背景建模技术中的任何一种可以执行背景建模。

在阶段302，形成归一化距离映射。处理器204通过比较在当前输入图像中的像素和在当前背景图像模型中的相对应的像素产生归一化距离映射。每个像素的强度中的差异被归一化为固定数量的值中的一个，本文为十(10)。像素强度被映射的值根据下文论述的阶段304通过灵敏度信息进行控制。该映射在确定显著差异和对关于目标检测的用于识别斑块的显著差异的像素的分组中是有用的。

在阶段303，执行运动斑块提取。处理器204识别具有例如超过阈值差的显著距离的相邻的像素用于聚集为可能的目标。处理器204将软标记技术应用到来自阶段302的归一化距离映射以识别斑块。在软标记技术中，处理器204分析多个距离等级和对相似距离的兼容的相邻像素进行动态分组(例如，其距离在彼此的阈值例如1内的相邻像素)以视情况而定形成一个或多个斑块(可能在图像中没有识别出的斑块，例如，类似于背景图像)。运动斑块提取也取决于来自阶段304的灵敏度信息。运动斑块提取在下文关于图4进行更充分的论述。

在阶段304，控制目标检测的灵敏度。灵敏度是在像素被处理器204认为是前景(不是背景)的部分之前像素相对于相应的背景像素的阈值偏差。灵敏度调整可以帮助减少假阳性(将背景像素识别为前景像素)和假阴性(将前景像素识别为背景像素)。在阶段304，随着时间的推移通过处理器204改变灵敏度。灵敏度控制在下文关于图6进行更充分的论述。

在阶段305，执行目标形成。处理器204获得在阶段303中识别的运动斑块并且组合相邻的斑块以形成目标。为了确定哪个运动斑块应该被组合为单个目标，处理器204使用视角信息和在先前帧中识别的目标，例如，紧前面的帧。这将在下文关于图8进行更充分的论述。

在阶段306，执行目标跟踪。处理器204跟踪在阶段305识别的目标，如果有的话，处理器204跟踪在多个连续帧上识别的目标。处理器204可以使用各种目标跟踪技术中的任意一种，例如卡尔曼滤波、粒子滤波和均值平移跟踪。

在阶段307，随着时间的推移学习视角映射。处理器204通过分析随时间推移的跟踪目标学习视角映射。该过程在下文关于图9进行更加充分的论述。

运动斑块提取

接着参考图4，并进一步参考图1-3，运动斑块提取的过程400包括示出的阶段。然而，过程400仅仅是示例而非限制。例如通过添加阶段、移除阶段、重新排列阶段、组合阶段和/或同时执行阶段，可以改变过程400。过程400通过从归一化距离的开始等级到最终等级对相邻的像素进行分组和在被标记像素的数量和当前被标记的区域的边界框的尺寸方面监控连续等级上的变化以自动终止标记过程来提取运动像素的斑块而提供软标记技术。

在阶段401、402、403，访问每个未被访问的图像像素并且它的归一化距离等级通过处理器204与等级阈值Tlev进行比较。如果像素强度大于Tlev，过程400前进到阶段403，其中通过考虑该像素的归一化距离等级和周围区域中的噪声等级计算开始等级和最终等级(在下文进行进一步论述)。给定一像素作为软标记过程的起始值，如果该像素值大于阈值(涉及当前基础灵敏度)，开始等级被设置为在该像素位置的归一化距离等级图像中的像素值。最终等级被设置为该开始等级的三分之一，或值3，以较大者为准。即时像素从后面被推入在像素的坐标方面保持对被标记像素的跟踪的队列，并且队列位于存储器210中。

在阶段404-411，处理器204通过从开始等级到最终等级的队列执行等级控制的连接部件标记。像素被标记为0(背景)，或者对于前景目标从1到255(即可以跟踪255个不同的目标)。目标中的每个像素具有相同的标记数字，尽管在单个目标中的像素(针对它们的背景模型)的距离可能是不同的。处理器204以邻居增长方式找到相邻的像素使得这些像素具有大于或等于当前循环等级的距离等级值。这些像素被从后面推入队列。本文，邻居增长方式分析起始像素的八个邻居，如果它们的等级值大于或等于当前循环等级，则这些邻近像素的邻居被进一步分析。该过程将递归地继续直到没有邻近的像素具有大于或等于当前循环等级的等级值。然后，如果它仍然大于最终等级，循环等级值减1。重复该过程，即以邻居增长方式获得相邻的像素使得这些像素具有大于或等于当前循环等级的距离等级值。这些像素存储在队列中。标记过程中的每一轮是连接部件的标记过程，但是具有不同的等级阈值(由循环等级变量的值确定)。由较小的循环等级引起的一组像素是由较大的循环等级引起的组的超集。如果它的等级值大于或等于循环等级，像素被认为是被标记的像素(为简洁起见，暂时被标记的像素，因为根据迭代终止在哪个循环等级，它可能不被接受)。通过监控被标记像素的数量的变化和包括连续迭代之间的这些被标记的像素的斑块的尺寸，软标记过程可以自动终止，而不必达到最终等级。如在下文关于阶段407将进一步论述的，如果被标记像素的数量或者形成的斑块的尺寸(由这些被标记的像素形成)与从上一循环等级得出的被标记像素的数量或者形成的斑块的尺寸相比显著增加，这将指示当前循环等级是不好的，并且因此上一次循环值的结果被选定为阶段408的输出。通过与上一次迭代相比较，如果被标记像素数量的变化较小，来自当前循环的结果被选定为软标记的最终输出。

在阶段404，给定循环等级，获得队列中的每个像素。处理器204检查该像素的未标记的相邻像素中的每一个，使得如果相邻像素的归一化距离等级大于当前循环等级，则相邻像素被从后面添加进队列。以这种方式，队列包含所有标记的像素，其自然聚集成对应于不同的循环等级的部分。在从未被访问的起始像素启动的标记过程期间，没有像素从队列中移除。

在阶段405，处理器204对那些等级值大于或等于当前循环等级的未标记的相邻像素进行分组。

在阶段406，完成了特定循环等级的分组过程，即对于队列中的所有像素，如果没有未标记的相邻像素具有大于当前循环等级的归一化距离等级，则监控添加到队列的像素的数量和包围这些像素的斑块的尺寸。

在阶段407，斑块的标记像素的数量和斑块尺寸与来自上一循环等级的斑块的标记像素的数量和斑块尺寸进行比较。如果添加到斑块的像素的数量或边界框(矩形，优选围绕被标记的斑块的最小矩形)的尺寸与上一循环等级的那些斑块的标记像素的数量或边界框(矩形，优选围绕被标记的斑块的最小矩形)的尺寸相比没有显著的增加，然后过程400进行到阶段409。如果在阶段407，添加的像素的数量或者边界框的尺寸相比于在上一循环等级的添加的像素的数量或者边界框的尺寸存在显著的增加，则当前循环等级可能导致不正确的标记，并且因此过程400进行到阶段408，其中输出与上一循环等级相关联的结果。例如，如果以下条件中的任何一个满足，可以识别显著的变化：1)如果添加像素的数量至少大于在上一循环等级的总的标记像素数量的三倍；2)如果边界框增加的尺寸至少大于在上一循环等级获得的边界框的尺寸的三倍；或3)如果边界框增加的尺寸至少大于在上一循环等级的添加的像素的数量的六倍。在阶段408，获得斑块并且过程400返回到阶段401，用于新的图像像素的下一轮软标记。

在阶段409，处理器204确定添加像素的数量与上一循环等级的添加像素的数量相比是否存在小的增加。如果没有，然后过程400进行到阶段411。如果有，当前循环等级可能引起聚集标记，并且因此过程400进行到阶段410，其中输出与当前循环等级相关联的结果。例如，如果在当前循环等级添加的像素的数量小于在上一循环等级添加的像素的数量，同时该减少也小于在上一循环等级的添加的像素的数量的二分之一，则识别到小的变化。换句话说，一旦添加像素的数量的下降速度下降到在上一循环等级的添加像素的数量的下降速度的二分之一以下，则标记过程终止。在阶段410，获得斑块并且过程400返回到阶段401，用于新的图像像素的下一轮软标记。

在阶段411，处理器204确定循环等级是否达到最终等级。如果是，过程400进行到阶段410，否则过程400返回到阶段404，用于以例如减一的减少的循环等级继续进行分组。

在以上标记期间，保存了具有MaxLev的归一化距离等级的标记的像素的数量；也保存了输出斑块的接受的标记的像素的总数。这两个值将用于在图3示出的在目标形成阶段305计算目标适合度指数并将在下文进行论述。

目标形成

获得的运动斑块进一步由处理器204处理以通过将相邻的斑块合并在一起来产生目标，其由视角信息和先前被跟踪的目标控制。对于来自先前帧的每个被跟踪的目标，处理器204在当前帧中找到所有相匹配的斑块，并且将它们连接在一起以形成与先前被跟踪目标相关联的一组斑块。如果斑块的边界框遮挡目标的边界框或关于当前帧的目标的预测的边界框，则斑块与被跟踪的目标相匹配。对于被跟踪的目标，根据在当前帧中的目标位置和它的运动速度和方向预测下一帧的目标位置。因此，通过将来自先前帧的目标的边界框放置在当前帧的预测位置中可以获得预测的边界框。

在每个斑块组内，计算所有可能的成对斑块的距离并将其从最小到最大进行排序。在距离计算中通过下式考虑视角和被跟踪目标的尺寸(高度和宽度)：

其中b1代表斑块1，b2代表斑块2，o代表b1和b2相匹配的目标；本文假设b1比b2更接近摄像机102。参数ho、wo和po代表目标的高度(单位：像素)、宽度(单位：像素)，和视角比例因子；(xb1,yb1)是b1的垂足，其定义为目标的边界框的底边的中点，并且pb1是视角映射中在点(xb1,yb1)的视角因子。参数(xb2,yb2)和pb2针对斑块2被类似定义。

值d(b1,b2)是相对距离。如果d(b1,b2)≤1，从观察的视角点来看，斑块1和斑块2被认为与被跟踪目标兼容，其意味着通过参考被跟踪目标的尺寸，一个斑块距另一斑块在视角预测距离之内。例如图8中所示，在先前帧中被正确跟踪的人匹配在当前帧中的两个斑块，一个关于人的头部并且一个关于人的其它身体部位，两个斑块具有相对应的边界框801、802。为了便于说明，假设关于目标o和斑块1的两个视角因子值是准确的，两者通过相应位置的人的高度反映。从该图中，头部斑块通过pb1触及，并且因此头部斑块应该被认为是被跟踪的人的一部分，尽管头部斑块被从人的身体的其余部位隔开。

如果它们是兼容的，则处理器204合并所有成对的斑块。以距离递增的顺序逐步合并斑块直到在考虑的斑块组内不再有兼容的斑块对。每当两个斑块合并时，将它们的具有最大归一化距离等级的被标记的像素的计数进行求和。来自这两个斑块的所有被标记的像素的计数也进行求和。两个总和持续到用于创建目标的最终合并的斑块。

不与任何先前被跟踪的目标相匹配的斑块或在上述合并过程之后剩余的斑块可以经历考虑视角信息和斑块尺寸的另一种合并过程，如果能够进行目标尺寸过滤的话。为了以零手动配置进行目标检测和跟踪，处理器204使用这些剩余的斑块中的每一个创建用于目标跟踪的目标。

在从斑块创建目标之后，处理器204将具有最大归一化距离等级的被标记的像素的数量除以实际被标记的像素的总数以获得它的百分比。百分比还线性量化为一个整数，称为目标适合度指数，其范围从0到9。例如，如果百分比大于或等于40％但是小于50％，斑块的适合度指数是4。目标适合度指数用于自动灵敏度确定，如接下来将阐述的。

自动灵敏度确定

处理器204使用两个主要的因子以建立灵敏度映射：适合的基础灵敏度因子和自动适应于噪声场景区域的能力。基础灵敏度因子最初被分配到所有的场景位置，并且它通过场景中的目标活动的反馈自动调整。随着在场景中发生目标活动，一些区域可能被识别为嘈杂的，例如，观察到频繁随机的运动，其可以通过场景噪声映射进行记录。为了消除噪声区域的噪声的影响，出现在这些区域的运动像素可以或者被屏蔽掉或者使用高灵敏度因子ki进行检测。如果可能检测和跟踪在噪声区域内的目标，例如人在移动的树前或后移动，使得屏蔽的使用非常困难。因此，处理器204增加用于噪声位置的灵敏度因子，其可以仍然在噪声区域中检测到真实的主体，同时从标记为跟踪的目标显著移除噪声运动。目标活动的分析用于自动确定基础灵敏度因子和识别场景中的噪声位置。

参考图5，并进一步参考图1-3，建立场景意识测量的过程500包括示出的阶段。然而，过程500仅仅是示例而非限制。例如通过添加阶段、移除阶段、重新排列阶段、组合阶段和/或同时执行阶段，可以改变过程500。

在阶段501、502，处理器204匹配被检测的目标并且在连续帧上跟踪相匹配的目标。

在阶段503，处理器204计算被跟踪目标的统计信息。本文，处理器分析包括目标尺寸、运动方向、速度、连续帧中的运动方向的巨大改变的数量和频率、轨迹的显著移动部分的数量的目标特征。置信度值可以从被跟踪目标的这些特征的统计信息中推导出来。显著移动部分是沿着该轨迹目标已经在恒定的方向持续移动并且经过足够的距离的部分。每次目标改变它的运动方向，先前的显著部分(如果有的话)被认为是无效的，并且执行测试以检查目标在该新的运动方向是否具有另一个显著部分。

在阶段504，在具有来自阶段503的统计信息的情况下，根据置信度值，多个帧的被跟踪目标的持续等级可以被处理器204针对这些目标特征测量。通过考虑被跟踪目标的特征的统计信息测量置信度值。置信度值可以用于将踪迹归类为显著性踪迹、噪声踪迹、或不确定的踪迹，并且用于更新灵敏度因子。

在阶段505，处理器204使用这些特征确定踪迹是否是显著性踪迹。如果踪迹不是显著性踪迹，然后过程500进行到阶段506，否则进行到阶段509、510。

在阶段506，处理器204确定目标是否是场景中的实际主体或目标是否是噪声踪迹(例如，由于移动的树叶、阴影或光的反射)。如果踪迹不是噪声踪迹，然后过程500返回到阶段501，否则进行到阶段507、508。

在阶段507-510，处理器204使用置信度值更新灵敏度映射、更新场景噪声映射、更新踪迹显著性映射、更新目标适合度指数直方图和调整基础灵敏度因子。尽管可以使用不同的值，本文置信度值大于0.67，指示踪迹是显著性踪迹；置信度值小于0.33指示噪声踪迹；并且其它值使得踪迹不确定。基于到当前为止可用的信息计算置信度值，并且动态更新置信度值。通过随时间的推移对置信度值求和，踪迹可以被证明是显著性踪迹、还是噪声踪迹、或不确定踪迹。例如，如果被跟踪目标具有多于两个显著移动的部分，或它在一个方向持续移动很长距离，则踪迹被认为是显著性踪迹。如果被跟踪目标的尺寸和/或移动方向在连续帧之间急剧和频繁变化或它频繁地出现和消失，例如被摇曳树叶的移动引起的目标，则踪迹可以被认为是噪声踪迹。不确定类型的踪迹是当被跟踪的目标不能被证明为显著性踪迹或者为噪声踪迹时的状态。例如，如果它在预置的时间例如5帧，没有在场景中出现，则被跟踪的目标被认为是不确定的。

在阶段508，每当场景位置被噪声踪迹访问，在场景噪声映射中的踪迹的相应值增加例如5的预置值。类似地，在阶段509，如果场景位置被显著性踪迹访问，在踪迹显著性映射中的踪迹的相应值被设置为最大值，本文为255。随着时间流逝，踪迹显著性映射可以记录其中高度信任的目标已经出现而场景噪声映射指示场景中的噪声位置的位置。这两个映射是互相排斥的，使得任何场景位置不能在两个映射中具有非零值。然而，如果场景还没有被显著性踪迹或者噪声踪迹接触，则场景位置可以在两个映射中具有零值。

此外，在踪迹显著性映射和场景噪声映射中的像素值以受控的速度逐渐衰减以避免它们对将来过程的永久影响。因此，如果没有其它显著性踪迹或噪声踪迹再次接触该位置，则在两个映射中的场景的位置值将随时间减计数到零。

在阶段507，当踪迹被识别为嘈杂的，在灵敏度映射中的踪迹的受影响的像素(被该踪迹访问)被设置为最大灵敏度因子kmax(本文为10)，这实际上最小化运动像素检测的能力。类似于场景噪声映射和踪迹显著性映射的衰减过程，对于灵敏度映射，不同于当前基础灵敏度因子的像素值也以非常低的速度逐步衰减回基础灵敏度因子。如果在噪声位置没有发现另外的噪声踪迹，则位置的灵敏度最终返回到当前基础灵敏度因子。如果噪声踪迹在区域中不时被识别，则该区域可以大部分时间具有高灵敏度因子值，因为该区域可能不会得到机会恢复。

在阶段510，每当显著性踪迹被识别时，目标适合度指数直方图被处理器204通过递增被跟踪目标的相应的指数仓的计数进行更新。此外，检查基础灵敏度因子以确定基础灵敏度是否应该使用图6和7中的指定的策略进行调整。

参考图7，示出了目标适合度指数直方图的三个示例。直方图701是关于小的基础灵敏度因子并且它的峰值指数为8。直方图702是关于适合的基础灵敏度因子并且它的峰值指数为7。直方图703是关于高基础灵敏度因子并且它的峰值指数为3。

参考图6，并进一步参考图1-3和5，自动的基础灵敏度调整的过程600包括示出的阶段。然而，过程600仅仅是示例而非限制。例如通过添加阶段、移除阶段、重新排列阶段、组合阶段和/或同时执行阶段，可以改变过程600。

在自动更新基础灵敏度背后的机制是基于随着时间的推移维护图7中示出的目标适合度指数的全局直方图。对于每个新的图像帧，目标被检测并且它们的目标适合度指数被计算和用于更新目标适合度指数的直方图。只有当直方图的所有仓的计数的总和超出预置数量(例如500)时，则识别出具有最大计数的直方图的仓，基于具有最大计数的直方图的仓计算基础灵敏度。基础灵敏度不是在逐帧的基础上确定的。基础灵敏度仅仅在某些时间期间之后变化，使得直方图的计数总和达到预先设定的值。一旦达到该值，则获得新的基础灵敏度，其可以与当前基础灵敏度相同或与当前基础灵敏度不同。每当发生这种情况，针对所有它的仓，直方图复位到零，并且进行直方图的新一轮更新。每当目标适合度指数的直方图的计数总和达到预先设定的值，则识别出具有最高计数的它的仓指数(称为峰值仓指数)。

在阶段601-604，显著性踪迹被循环和分析，并且处理器204使用相匹配的斑块更新目标适合度指数直方图。只有与显著性踪迹相关联的目标用于更新该直方图。当直方图被更新时，检查基础灵敏度因子以通过考虑自从上次基础灵敏度因子被更新有多久和该直方图是否在所有仓具有足够的总计数来确定该因子是否应该进行更新。如果处理器204确定不更新基础灵敏度因子，过程600进行到阶段614，其中过程600返回到图5中的阶段501。否则，过程600进行到阶段604，其中目标适合度指数具有最大计数，即被发现具有从0到9的整数值的峰值指数。

在一定程度上，峰值指数的值可以指示由显著性踪迹匹配的目标的质量。小的峰值指数可能意味着在这些目标内存在小的百分比的强烈移动像素，而由于上述软标记过程，像素的大多数是弱运动像素，其可能表明基础灵敏度因子应该被降低以增加强烈运动像素与弱运动像素的比值。高峰值指数可能意味着在目标内存在高百分比的强烈运动像素，其表明基础灵敏度太低并且易于产生噪声斑块。因此，峰值指数的值优选在检测低对比度的目标而不产生噪声斑块中提供可靠的运动检测性能。

使用软标记过程的在大量视频数据上的实验已经表明好的峰值指数是6或7。如果获得的峰值指数仓与6或7不相同，更新方案改变基础灵敏度使得峰值仓指数在将来应该朝着合意的峰值仓指数(6或7)移动。也即是说，如果所得到的峰值指数大于7，则增加基础灵敏度以把将来的峰值指数移动到更低的值。同样，如果所得到的峰值指数小于6，则减少基础灵敏度以把将来的峰值指数移动到更高的值。这就是基于直方图自动调节基础灵敏度的反馈控制，即从概括使用当前基础灵敏度推导出的获得目标的质量的意义上讲。这些策略在步骤605-613实施。

在阶段605，处理器204确定峰值指数值是否小于6。如果是这样，过程600进行到阶段606，否则进行到阶段607。

在阶段606，处理器204确定峰值指数值是否大于5。如果是这样，过程600进行到阶段609，否则进行到阶段610。

在阶段607，处理器204确定峰值指数值是否大于8。如果是这样，过程600进行到阶段608，否则返回到阶段601。

在阶段608，处理器204确定峰值指数值是否小于7。如果是这样，过程600进行到阶段611，否则进行到阶段612。

在阶段609，处理器204将灵敏度因子减去2并且然后过程600进行到阶段613。在阶段610，处理器204将灵敏度因子减去1并且然后过程600进行到阶段613。在阶段611，处理器204将灵敏度因子增加2并且然后过程600进行到阶段613。在阶段612，处理器204将灵敏度因子增加1并且然后过程600进行到阶段613。在阶段613，处理器204将基础灵敏度钳位使其范围在最小基础灵敏度到最大基础灵敏度之间。

视角映射学习

摄像机校准信息帮助稳健地进行目标检测和跟踪，并且通常使用人工操作。这样的人工操作优选通过由处理器204实施的视角映射学习来消除。

参考图9，并进一步参考图1-3，视角映射学习的过程900包括示出的阶段。然而，过程900仅仅是示例而非限制。例如通过添加阶段、移除阶段、重新排列阶段、组合阶段、和/或同时执行阶段，可以改变过程900。过程900通过考虑显著性踪迹的目标尺寸来提取摄像机的视角信息以建立场景视角映射。视角映射的每个像素值是指示在目标的足迹(即目标的边界框的底边的中点)的相应场景位置的相对尺寸的比例因子。此外，非零视角因子的每个像素与视角组ID相关联，其指示该视角值仅仅在具有相同的组ID的像素中生效。

在阶段901-904，对目标在参考点的显著性、持续性和视角进行分析。在阶段901-902，选定显著性踪迹，并且对它的被跟踪目标的尺寸持续性进行估计。如果目标的尺寸在离目标尺寸的平均值(根据它的推导的标准差)一定距离之内，其中使用随着时间的推移的加权平均值获得目标尺寸的平均值和标准差，则目标被认为是尺寸持续的。每次检测到目标尺寸针对当前平均值的巨大改变，初始化新的平均值和标准差并且然后从头开始更新。如果目标尺寸被处理器204确定为不是持续的，然后过程900返回到阶段901，其中选择用于考虑的下一个显著性踪迹。否则，在阶段903，通过与同一被跟踪目标的参考目标尺寸进行比较，针对当前目标的足迹估计视角值。如果多于一个参考足迹是可用的，处理器204选择在垂直维度距离当前目标最远的参考点。在目标跟踪期间，持续的目标被保存到服务器104作为参考候选者。当被跟踪的目标被确定为在尺寸上持续时，获得参考目标的尺寸Sr和它的足迹(xr,yr)。在阶段904，处理器204确定在参考足迹的视角值是否为零。如果视角值为零，则过程900进行到阶段907，并且如果视角值是非零，则过程900进行到阶段905。

在阶段905，通过获得关于在足迹(xo,yo)的尺寸so的当前目标o的视角因子。如果位置已经具有非零视角值，如被处理器204在阶段906确定的，并且与参考足迹属于相同的视角组，如被处理器204在阶段908确定的，则在阶段912，po的值用于通过关于位置(xo,yo)的加权平均值更新视角映射的像素值。如果位置(xo,yo)已经具有非零视角值，如被处理器204在阶段906确定的，但是属于不同的视角组，如被处理器204在阶段908确定的，在阶段910，两个视角组合并以具有关于它们的组成位置的统一的组ID，并且在阶段912，处理器204更新关于当前足迹的视角值。在阶段906，如果在当前足迹的视角值被确定为零，则处理器在阶段911使用来自参考的信息设置关于当前足迹的视角值po和组ID。以这种方式，视角ID被在具有持续踪迹的场景上传播。如果参考足迹和当前足迹两者具有零视角，如在阶段步骤904和907确定的，则在阶段913创建新的视角组使得当前足迹被初始化到预置视角值和分配的新的组ID。如果参考足迹的视角值是零但是当前足迹的视角值不是如在阶段904和907确定的，则在阶段909针对与当前足迹相对的参考足迹估计视角值，并且在阶段914，估计的视角值被分配到参考足迹，同时当前足迹的视角ID也传递给参考足迹。在阶段915，处理器204检查其它显著性踪迹是否留待处理。如果不是，则过程900进行到阶段916，其中处理器204将后平滑处理应用到那些受影响的足迹和它们的相邻像素以移除它们的视角值中的噪声。如果存在显著性踪迹，然后过程900返回到阶段901。

其它注意事项

可以根据具体要求对描述的配置做出实质上的变化。例如还可以使用定制的硬件，和/或可以用硬件、软件(包括例如小应用程序等的可移植软件)或两者实现特定的元件。此外，可以采用到例如网络输入/输出设备的其它计算设备的连接。

如上所述，一些配置(包括实现)可以采用计算机系统以执行根据本发明的各种配置的方法。根据一组配置，这些方法的一些或所有过程由计算机系统响应于处理器执行包含在工作存储器中的一个或多个指令的一个或多个序列(其可以合并到计算机系统的操作系统和/或其它代码中，例如应用程序中)来执行。这样的指令可以被从例如一个或多个存储设备的另一个计算机可读介质读入到工作存储器中。仅仅是示例，执行包含在工作存储器中的指令序列可能引起处理器执行本文描述的方法的一个或多个过程。

如本文使用的术语“机器可读介质”和“计算机可读介质”指的是参与提供引起机器以特定方式运行的数据的任何介质。计算机可读介质可以是物理和/或有形的存储介质。这样的介质可以采用很多形式，包括但不限于：非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘和/或磁盘。易失性介质包括但不限于动态存储器。传输介质包括但不限于同轴电缆、铜线和光纤。因此，传输介质还可以采取波(包括但不限于例如在无线电波和红外数据通信期间产生的那些无线电波、声波和/或光波)的形式。

物理和/或有形的计算机可读介质包括，例如软盘、柔性磁盘、硬盘、磁带或任何其它磁性介质、CD-ROM、任何其它光学介质、穿孔卡、纸带，任何其它具有孔图案的物理介质、RAM、PROM、EPROM、闪速EPROM，任何其它存储芯片或盒，如下所述的载波，或计算机可以从其读取指令和/或代码的任何其它介质。

各种形式的计算机可读介质可以涉及携带一个或多个指令的一个或多个序列到用于执行的处理器。仅仅是示例，指令可以最初被携带在远程计算机的磁盘和/或光盘上。远程计算机可以将指令加载到它的动态存储器中并且通过传输介质将指令作为被计算机系统接收和/或执行的信号发送。可以为电磁信号、声信号、光学信号和/或等形式的这些信号是载波的全部示例，在其上根据本发明的各种配置对指令进行编码。

以上论述的方法、系统和设备是示例。各种替代配置可以根据需要省略、替代或添加各种程序或部件。例如，在替代方法中，阶段可以以不同于以上论述的顺序执行，并且可以添加、省略或组合各个阶段。此外，关于某些配置描述的特征可以组合在各种其它配置中。配置的不同方面和元件可以以类似的方式组合。此外，随着技术的发展，因此很多元件是示例并且不限制本公开或权利要求的范围。

在说明书中给出了提供对示例配置的(包括实现)全面理解的具体细节。然而，在没有这些具体细节的情况下，可以实施配置。例如，示出了没有必要进行详细描述的众所周知的电路、过程、算法、结构和技术以避免使配置模糊。该说明书仅仅提供示例配置，并且不限制权利要求的范围、适用性或配置。更确切地说，配置的前面的描述将给本领域技术人员提供关于实施所描述的技术的可行描述。在元件的功能和布置方面可以做出各种改变而不脱离本公开的精神或范围。

此外，配置可以描述为描绘为流程图或框图的过程。尽管每一个可以将操作描述为有序的过程，很多操作可以并行或同时执行。此外，操作的顺序可以重新排列。过程可以具有不包括在附图中的附加步骤。此外，方法的示例可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或其任何组合实施。当用软件、固件、中间件或微代码实施时，执行必要任务的程序代码或代码部分可以存储在例如存储介质的非暂时性计算机可读介质中。处理器可以执行描述的任务。

以上论述的元件可以是更大系统的部件，其中规则可以应用和/或优先于明确地或含蓄地论述的规则。

其它示例和实现仍然在本公开和所附权利要求的范围和精神之内。例如，由于软件的性质，可以使用由处理器、硬件、固件、硬接线或这些的任何组合执行的软件实现以上描述的功能。特征实现的功能还可以物理上位于各种位置，包括被分布使得在不同的物理位置实现功能的部分。例如，在服务器104包括一个或多个CPU和/或DSP和存储在存储器中的用于由CPU和/或DSP执行论述的功能的相应的软件的情况下，可以在服务器104中执行关于摄像机102中的处理单元204描述的特征。

此外，如本文使用的，包括在权利要求书中使用的，如在由“至少一个”开头的一系列项目中使用的“或”表示分割列表，使得例如列表“A、B或C中的至少一个”包括A或B或C或AB或AC或BC或ABC(即A和B和C)或具有多于一个特征(例如，AA、AAB、ABBC等)的组合。

此外，可以公开一个以上的发明。