随着社会经济的高速发展,当今汽车的保有量呈现直线式增长,私家车数量的不断增加在方便市民出行的同时,也带来诸如交通拥堵、环境污染等问题,道路资源的有限性使得许多车辆因为争取自己时间出现诸多交通违法行为,带来潜在的交通事故危险。为了应对这一问题,在近年来智能交通系统的高速发展前提下,交通视频对车辆的动作行为的自动识别成为热点。因为交通视频中包含了诸如交通流量、车辆行为轨迹、车辆牌照等参数,可以用来对车辆动作行为和交通事件进行预测和识别。目前的智能监控系统从车辆检测和终端行为识别的角度讲依然存在车辆检测精确度和识别准确度不高的问题。为了解决上述问题,使智能监控视频能够更加准确有效地识别车辆行为,从而解决了交通管理者需人工处理大量视频源的问题,实现了低人工力、高效检测识别和报警,本文立足于实际交通视频,对车辆检测、轨迹聚类、车辆异常行为识别模型三模块进行相应算法研究,借鉴前辈和其他研究人员的成果,主要提出以下几个技术要点:(1)基于并优化统计学习方法,因车辆PHOG特征的强鲁邦性,选择其为提取的特征参数。在训练阶段,首先,利用Selective Search算法分割待测样本集车辆区域作为正样本集,其他分割区域作为负样本集。然后,在分配正负样本集标签后,提取正负样本集图片的PHOG特征并发送给SVM训练分类器,以获得具有正样本和负样本的分类模型。测试集测试分类器得到误检的难例,送入SVM重新训练,得到新的分类模型。在识别阶段,首先将待测视频帧图像分割成候选区域,并从所有候选区域提取特征,送入训练好的SVM模型里判断,将判断标签为1的车辆区域保留,之后对含车辆区域的嵌套情况进行非极大值抑制,达到目标精定位,完成检测。(2)针对其他聚类算法时间成本高的缺点,在采集实际交通视频后,提出一种新的轨迹聚类算法,作为后续识别模型的一个样本,基于FCM轨迹聚类算法,首先在实际路况监控环境下,跟踪视频中目标车辆获得其实时轨迹并将轨迹二维坐标点写入文件后,对所有轨迹进行重采样和均值滤波等预处理,之后对所有轨迹进行最小二乘法分段拟合,采用模糊C均值方法,实现车辆右变道、左变道、左超车以及违法右超车的轨迹样本集分类。(3)目前的车辆行为模型建立主要方法是通过提取目标轨迹的几何参数特征作为模型的输入来训练出分类器,但这种方法因为序列编码过程对坐标精度要求较高,对实际不可控环境下的噪声比较敏感,难以得到非常统一的特征参数,会对模型的训练过程产生影响,鲁棒性相对差。同车道直行状态下,两者的特征值序列很难提取出统一的相似的参数。为保持车辆轨迹的整体趋势特点,由于输入样本在卷积神经网络下,算法对其缩放、平移、扭曲保持着高度不变优势,本文提出一种通过卷积神经网络学习,建立车辆行为识别模型的方法。综上所述,本文立足于实际交通视频,在分析车辆实际交通行为特点基础上,分别针对三个模块提出新的算法,达到相对不错的识别效果。