这是一个很大的话题，所以我只会给你一个高层次的概述和一些指向更多信息的指针。

是的，肯定有一些处理视频的方法不同于处理单个静止图像。

在最简单的层面上，它可以在每一帧上运行一个对象检测器，例如 HoG（或滑动窗口卷积网络），然后通过一些方法将相邻帧中的附近检测分配为相同的对象，并丢弃不存在的检测似乎在时间上具有连续性。该领域的许多算法似乎将单个帧视为查看整个序列的构建块，其中可能来自相邻帧的数据被组合、聚合和/或用于消除当前帧的歧义。

另一种方法是首先估计帧之间的对象运动（使用光流、相位相关、金字塔块匹配或其他方法），然后将在考虑运动后并置的多个帧的区域视为同一对象。这是非常强大的，但受限于运动估计的准确性。

在较新的研究中，在寻找事物在哪里（检测）和事物如何移动（跟踪）之间存在着反复，每项任务可以帮助另一项任务，例如 (Kalal 2010) 或 (Andriluka 2008)，以算法的两个部分不再是可分的。Kalal 的TLD算法是最近著名的版本。

还有一些算法直接在时空（或有时只是时间）域中工作。纯时间的一个例子是通过轮辐变化的周期性来检测车辆。

一些经常研究的模型问题是：

• 在整个视频序列中检测和跟踪人员、车辆或其他对象。例如，使用CalTech Pedestrians数据集或其他标准基准。

• 手势识别，用于游戏、用户界面或有时用于手语识别。通常使用深度数据，例如 Kinect 视频。

• 活动识别，例如步行与站立。由于这个问题的性质，在这里看到纯时空算法更为常见，例如（Sadanand and Corso 2012）。

• 同时定位和映射 (SLAM)。通常在机器人技术中发现，这个问题基本上是从四处移动的单个摄像机（或立体或深度视频）的视频中构建环境的 3D 模型；环境通常被认为是静态的。这通常通过运行某种特征检测器（如 SIFT 或 SURF）来完成，匹配连续帧中的特征，然后根据特征暗示的相对 3D 运动构建点云。

这里还有一些参考资料：

Shah、Mubarak 和 Ramesh Jain 合编。基于运动的识别。卷。9. 施普林格科学与商业媒体，2013 年。

土耳其人，马修。“手势识别。” 计算机视觉：参考指南(2014)：346-349。

Rosenfeld、Azriel、David Doermann 和 Daniel DeMenthon 合编。视频挖掘。卷。6. 施普林格科学与商业媒体，2013 年。

Kalal、Zdenek、Krystian Mikolajczyk 和 Jiri Matas。“跟踪-学习-检测。 ” 模式分析和机器智能，IEEE Transactions on 34.7 (2012): 1409-1422。

M. Andriluka、S. Roth、B. Schiele。People-Tracking-by-Detect 和 People-Detection-by-Tracking。计算机视觉和模式识别 (CVPR) 2008

Sadanand、Sreemananath 和 Jason J. Corso。“动作银行：视频中活动的高级表示。” 计算机视觉和模式识别 (CVPR)，2012