交通强国战略的提出,为现代交通的发展提出了更高的要求,也为智能交通系统的建设提供了良好机遇。客运枢纽的视频监控系统作为智能交通系统的一个重要组成部分,可以综合利用图像处理与分析技术,同时结合当前发展迅猛的模式识别、机器学习等相关理论,从采集的视频图像序列中获取有用的交通信息。然而,尽管视频监控技术经历了多年的发展,目前仍然没有形成一个足够健壮、精确,标准统一的可行方案,需要进一步对诸多关键技术环节进行研究。实际交通场景中,目标主体的分割,由于受到光照等因素造成的散斑噪声和灰度不均匀现象的影响,效果一直不够理想;而群体分析中异常状态检测和流量统计方法的实时性和准确性也需要进一步提高;场景中多种因素造成的图像降质现象,也成为阻碍系统全天候工作的一个重要问题。本文主要以国家863高技术研究发展计划和博士点科研基金为依托,开展对基于计算机视觉与机器学习的客运枢纽智能视频监控系统关键技术研究。在学习使用计算机视觉开发平台Matlab,OpenCV的基础上,以交通场景中在个体层、群体层和场景层面临的实际问题为研究对象开展研究,为智能交通系统的发展提供技术支持。主要的工作包括以下几个方面:(1)根据监控环境的多变性,将神经网络引入到目标分割中,构建了简化的脉冲耦合神经网络,设计了网络结构内中心神经元与邻域神经元之间的点火贡献度以及脉冲爆发区阈值等关键网络参数的自适应调整策略,构建了多策略形态学修正方法,进一步优化最终结果,从而保证了目标分割的精度和高效性,有效降低噪声的干扰,减少过分割问题的出现,获取平滑完整的分割结果,在整体上提高了分割的效果。(2)结合枢纽内特别是站台旅客拥挤状态下的行为特征,根据光流场理论分析了交通场景稠密光流场所反映的运动信息;结合HOG特征的特性,建立了基于光流稠密运动估计的特征描述子;针对现实场景中超负荷状态特征明显且集中,正常状态复杂多变的事实,对基于支持向量机的异常检测方法进行调整,最终实现了枢纽超负荷状态的有效检测。(3)根据Haar-Like特征的特性与客流目标自身的特点,构建了客流目标检测定位方法;通过建立多Adaboost分类器间组合投票机制,减少传统Adaboost方法在客流识别与定位中的错误率;设计了多目标关联策略,通过设置跟踪窗,实现了 KCF滤波的多目标跟踪方法;结合卡尔曼滤波的估计特性,构建了性能稳定的跟踪算法;设计了实时准确的客流量统计模型。(4)基于暗通道原理对原始雾霾图像进行映射处理,从而得到大气光成分与透射率的估计值,采用多维导向滤波方法对大气透射率估计值进行优化处理;根据图像降质过程的逆过程,对雾霾图像清晰化结果进行了求解;针对初始结果整体亮度较暗,不利于监控系统后期处理的问题,分析了交通场景图像与常见的遥感图像的不同,构建了多通道自适应色阶调整方法来实现对初始结果的优化。