本文针对Kinect摄像机提供的深度视频提出了一种头部检测算法，并将其应用于坠落检测。该算法首先检测可能的头部位置，然后根据这些位置，摄像头通过检测头部和肩部来识别人。搜索头部位置很快，因为我们只在人体外轮廓上搜索头部轮廓。人类识别是对头部和肩部的HOG（方向梯度直方图）的修改。与原始HOG干扰器算法相比，该算法对人体关节和背部弯曲具有更强的鲁棒性。坠落检测算法基于头部和身体质心的速度及其与地面的距离。

    通过同时使用身体质心和头部，我们的算法受质心波动的影响较小。此外，我们还提出了一种简单而有效的方法来监控验证从地面到头部的距离和质心。本文针对隧道监控应用中的车辆检测、跟踪和识别问题，提出了一种综合解决方案，考虑了实时操作、较差的成像条件和分散的体系结构等实际屏蔽器限制。车辆在隧道中被一个不重叠的摄像头网络跟踪。它们在每个摄像头中被检测和跟踪，然后被识别，即与之前摄像头中检测到的任何车辆匹配。

    为了限制计算量，我们建议对这些步骤中的每一步重复使用相同的Haar特性集。对于摄像头检测，我们使用Adaboost级联。在这里，我们引入一个综合置信度评分，综合来自级联所有阶段的信息。然后选择用于检测的特征子集，针对识别问题进行优化。这会产生一个紧凑的二进制“车辆指纹”，需要非常有限的带宽。最后，我们展示了同样的特征集也可以用于干扰器跟踪。这种基于haar特征的“通过识别跟踪”在标准数据集上产生了出人意料的好结果，而无需在线更新模型。