目前较为流行的遗留或取走物监测的方法是基于跟踪的算法[2-4]，这些算法假设场景并不拥挤，将遮挡最小化，并假设只运用运动信息就可以把运动物准确地初始化。
国外之前有几个取走物监测方法被提出，这些方法都结合目标跟踪单独应用于监控系统中。它们通过提取组成图像的像素而非跟踪目标来监测场景中的静止物体，从而消除了跟踪引起的不确定性并降低了系统的复杂度。Guler等人[5]使用了一个静止物监测器来寻找那些连续的前景像素。静止物监测器与目标跟踪器并行运行。Porikli[6]提出一种非跟踪系统，可以监测两个背景下的静止物体。两个背景都被定义为混合高斯模型（MOG）并通过对不同帧频的输入视频（一个用于短期另一个用于长期）采样来构建。但在不同的应用中，采样参数是很难选择的。论文网此外，没有一个机制来断定一个静止前景是否与一个遗留物或取走物相对应。在[7]中，一种三高斯混合法被用来监测没有额外计算成本的静态前景区域。事实上相对静止区域只更新到第二高斯分布，这使得该方法具有一定的优势。所以，如果一个像素的第二高斯权重大于阈值，像素被认为属于静止区域。该方法的缺点是容易受到光照变化影响，这意着一个背景可能是不够的。30443
相较于国外的研究现状，我国在视觉智能监控方面的发展稍落后于先进国家。中科院自动化研究所是国内开展智能监控方面研究较早的机构。该研究所的模式识别课题组在复杂交通场景中的视频监控、行为理解和运动人体监控等方面开展了大量的研究工作。并发表了多篇水平较高且被同行认可的论文[8-10]。与此同时，中科院自动化研究所还在国外智能交通研究的基础上，自主研发了一套交通监控原型系统VSTAR。目前，像北京大学、哈尔滨工业大学等一些国内的一流大学和院校也在不断研究基于视频的智能场景监控和理解。 遗留或取走物监测方法国内外研究现状:http://www.youerw.com/yanjiu/lunwen_26149.html