交通监控视频可以获取到富含价值的交通参数,例如车速和车辆三维信息,通过分析处理并有效利用后,将对智慧交通和自动驾驶等领域产生重要影响。前提是监控相机需经过相机标定,利用相机内外参数建立图像信息与空间信息之间的映射关系来获取交通参数。目前交通场景下基于消失点的相机自标定算法具有一定局限性:如场景中必须存在斑马线、车道线、建筑物等特定环境才能获取直线从而得到消失点;对标定物进行检测时受天气因素影响导致检测准确率不高;消失点趋于无穷大时检测困难。基于以上问题,本文利用交通场景中的运动目标来提取消失点,并采用基于三个消失点的相机自标定模型来求解相机内外参数,研究内容如下:1.采用高斯混合背景建模与同态滤波算法相结合的方法进行运动目标检测。对像素反射率值进行高斯建模并差分得到运动目标前景,该方法能有效地去除场景中的光照阴影,提高运动目标检测率。并通过本文提出的运动目标分类方法,得到所需运动目标即车辆和行人。2.城市道路和高速公路场景中的线方程提取。由于交通场景下获取消失点较困难,本文利用场景中的运动目标来获取消失点,同时考虑到不同场景自身特点,结合提取出来的运动目标,利用不同算法准确地获取到两个场景下的线方程。3.利用级联霍夫变换算法进行消失点估计。借鉴传统霍夫变换思想,建立基于菱形空间的级联霍夫变换提取场景中的消失点,该算法有效解决当消失点无穷大时检测困难的问题,更加稳定和准确地检测出消失点的位置。本文算法在给定的两种交通场景下经过了大量实验测试,实验结果表明:在城市道路场景下和高速公路场景下,标定出的线段长度与已知线段长度间的平均误差分别为5.54%和5.38%,并分析了误差产生的原因,可知该算法精确度较高且适用性广。