智能软件是智能视频监控系统的核心

　　这种弹性图匹配的面像识别方法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面，收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

　　⑤线段距离(LHD)的面像识别算法

　　由心理学的研究表明，人类在识别轮廓图(如漫画)的速度和准确度上丝毫不比识别灰庹图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

　　⑥支持向量机(SVM)的面像识别算法

　　支持向量机主要解决的是一个2分类问题，它的基本思想是，试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明，SVM有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。

　　由于支持向量机(SVM)和Kernel Fisher分析是利用kernel方法解决线性不可分问题的两种不同途径，可将二者进行有机结合。而SVM最优分类面的法向量在基于支持向量的类内散度矩阵的前提下具有零空间性质，基于此定义了核化的决策边界特征矩阵（Kernelized Decision Boundary Feature Matrix，简写为KDBFM），最后利用基于零空间的Kernel Fisher方法计算投影空间。为此用融合类均值向量差及KDBFM来构建扩展的决策边界特征矩阵(EKDBFM)的方法，并把这两种方法成功地应用到了人脸识别领域，在FERET和CAS-PEAL数据库的实验结果表明，该方法比传统人脸识别算法具有更好的识别性能。

　　此外，由于面像识别容易受限于拍摄人脸的角度和光照，新加坡资讯通信研究院开发了一套“脸型合成”技术，使面像识别的认错率降低至接近零。因为脸型合成技术可预测脸部的变化。所摄取的人脸传到电脑后，会自行合成数十、数百、甚至数千张光暗不同的脸照，并把脸向右向左偏转而合成数十张不同角度的新照。只要任何1张同资料库中的比对成功，便会确认，从而解决了原有的角度和光的强弱的限制。该技术使头部面对摄像机偏左偏右角度差别可达350，即人的两眼只要向着摄像机即可。由此也可看出，智能软件的好坏，是智能视频监控系统的核心。

　　2、步态识别的几个基本的软件算法：

　　目前，己研究出的步态识别的软件算法有如下几种：

　　①基于主元分析的免于模型的二维步态识别算法

　　对于每个步态序列而言，一种改进的背景减除技术被使用来提取人的空间轮廓。这些轮廓的边缘，被逆时针方向展开为一系列相对于质心的距离模板。这些模板特征通过使用主元统计分析方法来训练，从而得出步态形状的变化模式在特征空间中的轨迹表达。识别时，采用了时空相关匹配方法和基于归一化欧氏距离的最近邻规则，并引入了相应于个人的体形等生理特征的融合，以用于必要的步态分类校验。

　　②基于统计形状分析的步态识别算法

　　该算法来源于“从行走运动的时空模式中可学习人体的外观模型”的观点。对于每个序列而言，背景减除过程用来提取行人的运动轮廓，这些轮廓随时间的姿态变化在二维空间中被对应描述为一个序列的复数配置(Complex Configuration)。利用Procrustes形状分析方法，从该序列配置中获取主轮廓模型作为人体的静态外观特征。实验结果表明，该算法获得了令人鼓舞的识别性能。