基于视频处理的交通事件识别是智能交通领域中较有前途的应用技术之一,可为城市交通管理与控制提供全面、实时的交通状态信息。目前基于视频处理的智能化交通事件识别系统仍处于发展阶段,在某些关键技术环节,特别是在运动目标交通行为分析以及交通事件识别模型构建等方面尚需进一步研究。本文结合图像处理、模式识别、机器学习等理论与方法,围绕交通事件视频识别过程中的若干关键技术问题进行系统性的研究。首先针对背景模型的背景初始化、背景表达与更新进行深入探讨,实现了复杂场景下的自适应前景运动区域检测;同时给出了运动阴影去除的解决方案,提高了运动目标的检测精度。结合运动目标的形态特性与运动特性设计了基于多类支持向量机的分类算法,实现了混合交通运动目标的类别判断。提出了基于卡尔曼滤波的多特征匹配跟踪算法与基于历史运动信息补偿的遮挡处理方法,保证了复杂遮挡情况下的运动状态准确估计。综合考虑轨迹的空间特性、方向特性、类别特性,提出了运动模式的多层次学习方法,并由此构建了基于Bayes空间模式匹配以及基于起讫点方向模式匹配的异常行为检测方法。将运动目标的状态属性与交通场景中的上下文相关信息相结合,定义了简单事件、复杂事件等具体概念,为事件识别提供了通用的表达形式;在此基础上,构建了基于Bayes分类器与逻辑约束相结合的基本事件识别方法及基于隐马尔可夫模型的复杂事件识别方法。通过对实际场景中交通事件的识别验证了本文方法的有效性。本文的研究成果深化了交通事件信息视频检测理论与方法,为运动目标的交通行为特性研究、智能化交通事件信息采集提供了有效的技术手段,具有重要的理论意义与实用价值。