题目：基于视频的高速公路事件检测方法研究

随着城市化的进展和汽车的普及，交通拥挤加剧、交通事故频繁、交通环境恶化等问题都变得日趋严重，相应引起了智能交通系统的发展。基于视频的交通监控，具有实时性、智能性和可视性，是智能交通系统的重要组成。及时有效地对交通事件进行检测，对于避免交通延误，保障人身安全，减少经济损失具有十分重要的意义。本文研究了该领域的车辆检测、跟踪与事件检测三个主要问题。对于车辆检测和跟踪，实际环境下光线复杂存在大量干扰，车辆具有多样性，车流量较大造成车辆相互遮挡，这些问题造成了车辆检测跟踪的准确率较低。对于车辆检测本文提出了基于运动历史更新的帧差法进行运动区域分割，及基于网格的连通域方法进行车辆识别，并重点研究了车辆相互遮挡的处理，提出了基于顺序拐点检测的方法。对于车辆跟踪，本文研究并实现了基于卡尔曼滤波器预测结合局部特征跟踪的方法。对于事件检测，主要问题是：异常事件的特征描述困难。由于高速公路异常事件发生时，特征是动态时间相关的。因此需要找到时间对于异常时间的隐含规律。分类界面不是线性的，区分目标和背景、区分正常事件和异常事件有一定难度。本文主要针对撞车事件进行特征描述，并采用隐马尔科夫（Hidden Markov Model，HMM）建模，设计基于人工免疫克隆选择的分类器。本文方法适用于摄像头静止下的复杂环境多目标检测跟踪及事件检测。实验结果表明，本文研究方法具有更好的实时性和准确性。本文的创新点主要体现在：基于网格连通域的多目标识别方法。本文采用新型连通域算法识别车辆目标，并通过顺序拐点检测区分相互遮挡车辆，准确提取车辆的多维特征。这种综合的检测方法具有较高的识别率和实时性。分层次多特征车辆跟踪，该方法加入了时间维的统计信息，使检测与跟踪能够正向反馈，提高跟踪准确率。综合人工免疫克隆选择算法及HMM特征构建的分类器。该方法克服了传统分类方法约束条件多、容易陷入局部最优的缺点。