【摘要】本文研究了混合交通流智能相机硬件体系，从背景模型、摄像机参数、混合交通前景物体识别分类对智能相机检测软件系统进行了具体研究；利用智能相机原型系统采集交通视频图像，利用本文构建的软件算法对不同交通状况下的混合交通流检测实验，并对实验结果进行了分子与总结。
　　【关键词】混合交通流；智能相机系统；交通视频图像；检测实验
　　引言
　　当前我国交通视频监控系统普遍是通过道路两旁的摄像头的拍摄获得路况图像信息，然后传送给交通监控中心进行综合分析处理，这样的路况检测方式产生了巨大的通信量，也增加了多道道路路况图像信息集中综合的难度，难以应用于混合交通的监测工作。嵌入式设备高效率、低耗能的优点使其在交通监控领域得到了越来越广泛的应用，混合交通流智能相机系统的出现解决了国内混合交通视频检测智能设备缺乏的问题。
　　1.混合交通流智能相机硬件体系
　　为降低道路监控摄像头与监控中心的数据传输，实现图像采集后直接分析处理，处理数据传输至监控中心或交通信号控制机等。因此，本文构建了图1所示的混合交通流智能相机硬件体系结构。
　　混合交通流检测智能相机硬件系统包括DSP处理单元、通信单元、存储单元、成像单元以及相关的辅助电路单元等，其中DSP芯片为TI公司TM320DM642，数据采集采用CCD摄像头、通信单元由USB、WLAN、GPRS、Ethernet构成。
　　2.智能相机检测软件系统
　　2.1智能相机检测软件的背景模型
　　2.2智能相机的摄像机参数
　　2.3混合交通前景物体识别分类
　　由于混合交通个体运动过程受形变、遮挡等影响，根据行人、机动车、自行车的几何轮廓特点，本文构建了交通个体中心距向量特征表达方法，该方法具有较好的旋转、伸缩、平移不变性。
　　支持向量机（SVM）作为基于统计学习的经验风险最小化原则的一种监督式机器学习，其分类模式中利用相应的分类核函数将输入向量映射到一个高维空间，然后根据最优化理论寻求分类器的范化误差最小，获取最优分类超平面，实现不同模式的分类识别。在训练学习阶段，本文选取行人、自行车、机动车与非交通个体样本图像训练学习，训练过程采用Adoboosting算法对SVM的强、弱分类器分配不同权重系数加快样本空间学习，建立其分类超平面，实现混合交通物体的分类识别。
　　3.混合交通流检测实验结果分析
　　从给定的实验结果图像可以看出，本文算法可以较好地获取交通视频的运动背景、前景、混合物体特征表达与识别分类。同时，为了检验本文算法的检测性能，本文对不同交通状态下的1400个混合交通物体识别分类准确度进行测试，本文算法的识别准确度大于95%，从而反映了本文构建的混合交通流检测智能相机具有较好的性能，可应用于混合交通流检测。
　　4.结语
　　混合交通流检测智能相机硬件系统的DSP处理单元、通信单元、存储单元、成像单元以及相关的辅助电路等单元，大大降低了道路监控摄像头与监控中心的数据传输量，实现了图像采集后直接分析处理，处理数据可传输至监控中心或交通信号控制机等便捷性；像机参数实现了图像坐标与交通场景位置坐标的映射变换。本文构建的交通个体中心距向量特征表达方法具有较好的旋转、伸缩、平移不变性。在不同交通状态下，对该系统的测试实验结果验证了该系统的优越性能，混合交通流检测智能相机系统是一种能够实现混合交通流参数检测的系统。