交通视频中包含了最全面的交通信息,可用于交通行为与交通事件的推断和理解。高速公路交通视频监测系统在智能交通系统中发挥着越来越重要的作用。目前基于交通视频的车辆检测和车辆行为识别仍存在着运动车辆无法有效提取和车辆行为识别准确率不高等问题。为了有效识别高速公路上的车辆的行为,本文针对基于运动信息的车辆检测、基于特征信息的车辆检测以及车辆行为识别的关键技术进行了相关的研究,主要取得了以下几个方面的研究成果:(1)针对高速公路车辆检测实时性的要求,本文对基于运动信息的车辆检测方法进行研究。为了解决传统的混合高斯模型检测出来的运动车辆中出现的“拖影”现象,本文提出了一种混合高斯模型与自适应背景选择性学习模型相结合的建模方法,使得提取的车辆目标更加完整和准确。此外,为了改善Vi Be模型对不同场景的适应性,本文还采用圆锥模型来替换欧式距离来计算样本模型距离,并计算样本模型的方差来自适应地确定距离阈值。(2)针对仅用运动信息来检测车辆无法确认运动目标是否为车辆的问题,本文对基于特征信息的车辆检测展开研究。根据前向车辆和后向车辆表观的不同特征,本文提出了一种Haar-like和HOG特征结合的交通视频车辆识别方法,提高了前后向车辆识别的准确率;针对基于特征信息的车辆检测方法速度慢的问题,本文综合运动信息和特征信息提出了一种基于感兴趣区域和特征信息的运动车辆检测方法,缩小了车辆目标的搜索范围,加快了检测的速度。(3)针对从高速公路监控视频中提取的变道、超车等类型轨迹数量较少的情况,采用LCSS相似度和谱聚类等算法无法很好地区分轨迹数据中所有类型的轨迹;此外,隐马尔科夫HMM轨迹模型在识别车辆行为时,忽略了负样本的影响,且仅用最大似然值进行分类,存在较高的误识别率。本文提出了一种基于二次谱聚类和HMM-RF混合模型的车辆行为识别方法,有效地区分超车、变道以及直行等轨迹,并提高了车辆行为识别的准确率和鲁棒性。(4)在本文车辆检测和行为识别方法研究的基础上,本文设计与实现了基于交通视频的车辆行为识别原型系统,对高速公路上的车辆行为进行自动识别。