实时在线监测对保障高速公路隧道运营安全和事件管理至关重要。隧道内各种随机性和不可预测性的事件事故一旦发生,轻则造成交通拥堵,重则造成二次事故,对人民的生命财产安全造成严重威胁。针对高速公路隧道环境复杂、车辆运动目标识别困难、实时在线监测难度大的问题,开展了基于图像识别的高速公路隧道停车事件智能监测系统研究。为实现隧道内复杂环境下停车目标的在线监测,通过研究复杂环境下的背景建模与更新方法、基于车辆特征的跟踪方法、提取运动车辆目标方法、停车目标识别的方法和基于卷积神经网络方法的停车事件二次判定,构建了基于图像识别的高速公路隧道停车事件智能监测系统,并将所研究的监测系统部署应用于重庆某高速公路隧道项目。论文主要研究内容如下:1)针对高速公路隧道复杂背景建模和更新问题,分析了隧道环境的特性,对比现有的典型环境建模方法,提出了一种基于非参数概率的背景建模方法,选取Epanechnikov函数作为核函数,将计算得到的局部函数概率分布效果作为采样点的估计值,实验对比表明,该建模方法在模型效果和运算速度方面与其他方法相比,具有较好的优越性。综合分析环境特性对背景更新的影响,提出了一种多模态的背景更新方案。对比实验表明,在外界环境噪声干扰的情况下该方法更优于传统的平均法和帧差法,能够有效地抑制隧道光照变化的干扰。2)车辆运动目标提取采用背景差分的运动目标监测算法,基于环境背景建模与更新获取了实时采集的隧道摄像机传给监控中心服务器的背景图像,并对与前一背景图像差分过的图像进行二值化,完成目标区域坐标的提取(使用伪目标滤除和连通域分析方案),利用矩形框最终实现对动态目标的标定。算法简单和鲁棒性好为该算法的优点,并且该算法可以有效地解决复杂环境下全局照明的缓慢和突然变化的问题,通过该算法可以准确地检测车辆运动目标。3)基于抗噪性、可区分性和尺寸特性准则,车辆特征跟踪采用一种用局部特征跟踪代替全局特征跟踪的方法。通过对不同目标特征匹配,可以实现当目标被部分遮挡时,对未被遮挡的可见部分特征识别并实现目标跟踪。4)基于车辆特征跟踪之前需要完成隧道内停车目标的识别,通过对停车目标分级识别的方法可以实现。首先初步识别停车目标,判断车辆成功跟踪的次数,最后通过车辆质心坐标变化进行最终识别。该方法能够有效地获取车辆目标的运动轨迹,保证停车的识别率。5)针对高速公路隧道视频图像干扰问题以及检测率和正检率不高等问题,提出了基于卷积神经网络的高速停车事件检测方法,通过对以上方法得到的报警信息进行第二次判断,最后将视频处理得到的疑似静止前景目标位置与经过图像信息处理得到的车辆目标与训练样本进行匹配,实现对疑似静止物体的分类,完成静止车辆检测,并对检测结果进行报警。6)以监测系统需求为导向,基于VC++2015和Open CV3.0开发环境,采用系统模块化设计构建了隧道环境下停车事件监测系统,并将监测系统应用于重庆-合川段高速公路隧道停车事件监测。应用研究表明,本系统抗干扰能力强,追踪和监测目标快速,提升了系统的监测率和正检率。论文开展了基于图像识别的高速公路隧道停车事件智能监测系统研究,提出了隧道复杂环境下的背景建模与更新方法、车辆运动目标提取方法、车辆特征跟踪方法和停车目标识别方法,构建了基于图像识别的高速公路隧道停车事件智能监测系统,研究成果应用于G75兰海高速公路重庆—合川段高速公路隧道,为该隧道安全运营管理提供了基本保障。