智能攝像機關鍵技術包括：運動目標提取、運動目標跟蹤、運動目標分類、運動目標行為分析。本文對這些技術進行了簡單介紹
1.運動目標提取
運動目標提取是智能分析的準備工作，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
運動目標的跟蹤，即通過目標的有效表達，在圖像序列中尋找與目標模板相似候選目標區(qū)位置的過程。簡單說，就是在序列圖像中為目標定位。運動目標的有效表達除了對運動目標建模外，目標跟蹤中常用到的目標特性表達主要包括：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)、變換系數特征(傅里葉描繪子、自回歸模型)、代數特征(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.運動目標分類
運動目標分類，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。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.運動目標行為分析
行為分析是智能攝像機的關鍵目標之一，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、人工智能等多個領域。它是在對視頻圖像序列進行低級處理的基礎上，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的信息，進一步研究圖像中各目標的性質以及相互之間的Lian系，從而得出對客觀場景的解釋和高層次的語義描述，經常借助于神經網絡和決策樹來進行行為分析。
