● 摘要
现如今城市交通拥挤问题日益严重，越来越成为制约城市建设的瓶颈，使得智能交通系统已经成为人们日常生活中不可或缺的一部分。相关工作人员通过智能交通系统可以对交通现场进行实时监控，进而获得交通参数、交通状态、交通行为等交通状况，以达到对交通现场进行及时疏导的目的。
交通目标分类是交通智能监控过程中不可或缺的一部分，通过将监控视频图像中的目标物体划分到预先定义好的类别中来为下一步交通场景分析以及交通现场控制打下基础。传统的交通目标分类方法面临着需要大量样本标注、分辨率低和交通场景复杂多变等诸多困难。在线学习的兴起给这些困难的解决提供了新的思路。传统的分类器仅仅利用标注数据进行训练，如此得到的分类器并不能很好的应用到测试场景中去，通过在线学习，可以对测试样本进行预测，同时更新分类器使得分类器的效果能够达到让人满意的程度。
本文主要研究了基于在线学习的交通场景目标分类方法，在分析相关理论方法的基础上提出了基于在线学习的理论算法框架。论文主要工作如下：1. 分析了当前国内外关于目标分类识别领域内的各种特征提取和目标分类方法。通过探讨各个方法的基础理论和应用背景，比较了各个方法在不同场景下的优劣，对后续的交通目标识别研究打下基础。2. 提出了基于标签传播理论的在线学习算法框架。在分析标签传播理论的基础上对相关理论加以改进，提出了一个基于标签传播理论的在线算法框架用来解决如何在少量标注情况下训练效果良好的分类器的问题。3. 提出了基于直推理论的在线学习算法框架。在分析直推学习理论基础上的提出了一个基于直推学习方法的在线学习算法框架，利用直推学习模型来解决在线学习目标识别问题。4. 在相关研究的基础上进行了实验，通过实验结果证明了本文所提出方法的比之于传统目标分类的优势，表明了在线学习理论的可行性和有效性。