基于视频的车辆运动轨迹提取及行为分析作为一个多学科交叉融合形成的研究领域,涵盖了数字图像处理技术、人工智能以及模式识别等多学科知识。然而,由于该领域研究对象复杂,涉及学科众多,目前仍有很多难点问题亟待解决。复杂交通场景中运动车辆检测、跟踪和行为识别一直是该领域研究的热点和难点,许多方法和技术还不够成熟和完善。本文围绕基于视频的车辆轨迹提取与行为分析中的目标车辆检测、运动车辆跟踪、车辆轨迹相似性度量和轨迹聚类等关键问题进行了深入研究,取得了以下主要研究成果:1)针对复杂交通场景下的车辆目标检测,本文提出一种基于车辆对称特征和阴影特征的车辆目标检测方法。该方法在SURF特征提取算法的基础上,利用水平镜像矩阵构造新的SURF特征描述算子。由于视觉上具有对称特性的特征点处于不同尺度时,其匹配误差会比较大。因此,本文从减少Haar特征累加次数和降低尺度对特征点表示的影响两方面入手,对S-SURF算法进行改进和优化。然后采用优化的S-SURF算法对车辆的对称特征进行提取,并利用车辆对称特性对车辆的中心位置进行定位,最后,根据车辆底部阴影特征对车辆目标进行识别和区域定位。实验结果表明,该方法利用局部不变特征集合来描述车辆目标,有效地避免了复杂场景下的目标分割难题,同时简化了局部特征检测方法中的聚类问题,复杂度较低,且具有较高的准确性。2)运动车辆的可靠稳定跟踪是车辆轨迹提取的关键。本文提出一种融合特征匹配和光流法的车辆目标跟踪方法,该方法在基于双向可逆性约束的KLT算法的基础上,构造新的偏移量估算方法,对稳定性较差的特征点进行剔除,提高了特征点跟踪的可靠性和稳定性。同时,采用SURF特征匹配算法作为补偿机制对目标特征点集进行更新和校正。最后,结合初始帧中特征点之间相对位置和相对角度的关系,确定当前帧中目标的尺度变化和旋转变化,并采用层次聚类的方法,对特征点进行聚类,以此删除异常特征点,从而确定当前帧中的目标区域。该算法将两个匹配策略相结合,既提高了跟踪算法的稳定性,也很好地解决了目标在被跟踪过程中发生的形变、部分遮挡等问题,对目标的尺度和旋转变化也具有较强的鲁棒性。3)运动轨迹的相似性度量是轨迹聚类过程中的一个核心问题,由于车辆轨迹的复杂性和多样性,现有度量方法都有其局限性。本文提出一种融合多特征和编辑距离的轨迹相似性度量方法。该方法在EDR编辑距离的基础上,结合轨迹点的速度和方向特征,对轨迹进行分段处理,并给具有不同特征意义的分段赋予不同的编辑操作代价值。最后,对基于分段表示的IEDR算法进行了进一步的定义和分析。该算法保留了EDR算法的允许时间伸缩、抗噪性等优点的同时,将轨迹点的位置、速度和方向特征合理地融入到车辆运动轨迹的相似性度量中,进一步提高了轨迹相似性度量的准确性和鲁棒性。4)车辆行为模式学习的目的是提取出具体交通场景的常态运动模式,从而为车辆异常行为识别研究提供前提条件。本文提出一个基于增量式DPMM的贝叶斯最大后验概率估计方法的轨迹聚类模型。该方法采用DFT系数作为轨迹的特征表示方法,提出一种基于DPMM的轨迹聚类方法,并在此基础上,对Gibbs抽样过程进行改进,以已分类轨迹作为先验知识,对新增轨迹类别进行划分。同时,在分类过程中,学习轨迹的常态运动模式,通过运动模式和方向模式匹配策略,对车辆异常行为进行判别。该算法不需要训练样本,而且随着新增轨迹的到来而变化,聚类模型能够实现自适应变化及模型参数学习和分类数目自动更新的任务,很好地解决了由于交通异常行为的不可预知、不常发生性引起的数据稀疏情况下的模型训练困难问题。同时,利用已有聚类结果,将每次新增轨迹划分到已有类别或新类中,不需要每次对所有轨迹进行重新聚类,聚类效率大大提高。