視覺監(jiān)控的主要目的，是從一組包含人的圖像序列中檢測、識(shí)別、跟蹤人體，并對其行為進(jìn)行理解和描述。大體上這個(gè)過程可分為底層視覺模塊(low-levelvision)、數(shù)據(jù)融合模塊(intermediate-level vision)和高層視覺模塊(high-levelvision)。 　　

其中，底層視覺模塊主要包括運(yùn)動(dòng)檢測、目標(biāo)跟蹤等運(yùn)動(dòng)分析方法；數(shù)據(jù)融合模塊主要解決多攝像機(jī)數(shù)據(jù)進(jìn)行融合處理問題；高層視覺模塊主要包括目標(biāo)的識(shí)別，以及有關(guān)于運(yùn)動(dòng)信息的語義理解與描述等。 　

如何使系統(tǒng)自適應(yīng)于環(huán)境，是場景建模以及更新的核心問題。有了場景模型，就可以進(jìn)行運(yùn)動(dòng)檢測，然后對檢測到的運(yùn)動(dòng)區(qū)域進(jìn)行目標(biāo)分類與跟蹤。接下來是多攝像機(jī)數(shù)據(jù)融合問題。最后一步是事件檢測和事件理解與描述。通過對前面處理得到的人體運(yùn)動(dòng)信息進(jìn)行分析及理解，最終給出我們需要的語義數(shù)據(jù)。