交通视频信息在交通监控和交通管理中一直作为重要内容被采集和利用。为充分利用采集的信息,提高交通监控和管理的智能化水平,以视频图像处理、分析、理解为基础的视频监视技术越来越引起人们的重视。视频监视技术是图像处理与计算机视觉领域的一个研究热点,它与传统监视技术的区别在于其智能性。因此,在智能交通系统中开展交通视频监视技术的研究有十分重要的现实意义。本文主要围绕交通视频监视技术的关键问题完成了以下几项工作。 1.分析比较了四种运动目标检测方法的原理和特点,针对各自方法的不足,做出了相应改进。为解决背景差方法中背景图像易受噪声干扰的问题,给出了三种背景更新方法来减少干扰。为了解决背景频繁变化情况下的目标检测问题,给出了建立背景模型的方法。为解决帧间差分法不能完整检测到运动目标的问题,给出了一种改进的帧间差分方法。为了克服光流法运算量大,实时性差的问题,给出了一种与帧间差分法相结合的改进的快速光流法。 2.针对复杂变化背景下运动目标的检测问题,研究了帧间像素的颜色共生性(颜色相关性)与频繁变化背景和前景之间的关系。根据帧间像素颜色共生性对于频繁变化背景有更多意义这一情况,研究了贝叶斯准则和颜色共生概率在即时图像变化情况下它们之间的联系,给出了用贝叶斯准则判别前景与背景像素的数学公式。研究了频繁变化背景模型的更新方法。提出用固定背景区域的参数背景图象和变化背景目标的像素颜色共生统计表来共同维护背景的方法。给出了长期和短期更新像素颜色共生统计表的策略。基于上述研究,给出了一种基于颜色共生性的,用贝叶斯决策准则从复杂的含有不固定目标的视频图像中检测前景目标的方法。 3.提出了一种改进的基于区域的多目标跟踪方法。该方法根据运动图像序列中帧间运动的连续性原则,建立匹配函数,并将其用于运动目标区域特征的匹配检测;使用Kalman滤波器对目标区域下一步出现的位置进行预测,缩小匹配搜索范围,加快搜索匹配速度;建立跟踪控制表来记录目标区域最新的运动参数,以保证运动目标跟踪的连续性;采用目标质心间距和延迟搜索法解决由于重复匹配标记与运动暂停造成的目标丢失现象;利用设置“入界区”与“出界区”来正确判断新旧目标的出现与消失。从而实现对目标的正确跟踪。 4.提出了一种用支撑矢量机(SVM)对交通目标进行分类的方法。该方法的分类思想是为每一类目标分别建立一个SVM分类器,然后用对应的目标样本进行训练,最后用训练好的SVM分类器进行分类。实验表明:该方法实现了对行人、小型车、大型车三类交通目标的准