随着信息技术的发展、智能设备的普及,视频正成为人们记录生活内容的最主要方式。但是拍摄者们大都缺乏专业设备与技术,所以拍摄的视频大都伴有抖动现象,抖动情况在交通视频中尤为严重,会给车牌识别、目标跟踪等后续处理带来极大困难。虽然近年来关于视频消抖算法的研究得到了长足的发展,但是在处理包含复杂运动场景的交通视频中仍然有一些困难尚未解决。本文以交通视频为研究对象,就复杂运动场景给视频消抖处理过程中引入的难题进行了深入研究。视频中的抖动来源于相机本身运动中的抖动分量,因此在正确估计出相机的运动量之后,可以通过滤波等方法予以消除。但是,视频中场景的复杂化会导致相机运动量估计精度降低,尤其是在应对快速移动的场景、多运动物体和大前景物体对背景区域的大面积遮挡和由景深变化带来的视差效应同时存在的情形下,要做到对相机运动量和抖动的正确估计是相当具有挑战性的。本文针对这些挑战,尤其是交通视频中时常出现的大前景物体、视差效应、多运动物体以及由此带来的算法精度降低和耗时的问题,分别提出了具有针对性的算法。归纳起来,本文主要的工作与研究成果有如下三点:1)提出了一种基于反馈的视频消抖算法。现有的视频消抖算法在单独解决视差和大前景物体所带来的问题上,已经有了一些解决办法,但是在同时应对视差和大前景物体时,却没有一个合适的解决方案。本文通过对背景、前景和视差进行建模分析,有针对性地提出一种基于反馈的前景轨迹判别算法,该算法通过单应矩阵的重映射误差将前景物体和视差区域的特征轨迹识别出来,并通过反馈机制增强了算法在应对大前景物体上的鲁棒性。在区分开背景轨迹和前景轨迹之后,对背景轨迹进行低通滤波从而滤除抖动分量,并根据滤波前后背景轨迹的坐标将每一帧都映射到稳定视角下的稳定位置。由于基于反馈的前景轨迹判定算法可以很好地识别出大前景物体和视差区域中的前景轨迹,所以本算法可以保证对于大前景物体和视差的复杂运动场景的视频消抖效果。2)提出了背景轨迹数量增强算法。由于基于反馈的视频消抖算法是基于背景轨迹进行抖动消除,所以算法精度很大程度上取决于背景轨迹数量。而在实际中,背景轨迹数量可能会由于各种原因减少,比如当前景轨迹判定算法阈值过于严格,将会导致部分背景轨迹被错判前景轨迹;或者由于单个或者多个前景物体靠近相机、导致前景物体在画面中占比非常大而对背景区域形成严重遮挡时,背景轨迹数量也会锐减:甚至由于相机运动过快也会导致连续出现的背景轨迹数量严重降低,这些都将导致算法精度下降。为此,提出了背景轨迹找回算法、基于分块的自适应特征检测算法和自适应的特征点数量控制算法,分别用于应对上述三种情形,在提高背景轨迹数量的同时还能在一定程度上抑制前景轨迹的数量,极大地提高了算法在应对复杂运动场景时的鲁棒性。3)提出一种基于轨迹导数的前景轨迹判定算法。由于在基于反馈的前景轨迹判定算法中,需要多次计算单应矩阵,而每次计算单应矩阵都需要进行多次SVD分解,导致前景轨迹判定部分耗时严重。为此,针对基于轨迹的视频消抖算法模型,推导出轨迹导数相对于轨迹坐标的线性模型,并据此提出基于轨迹导数的前景轨迹判定算法,利用轨迹导数线性模型的重映射误差对前景轨迹和背景轨迹进行区分,并通过反馈加强其应对大前景物体的鲁棒性。本文对所提出的算法进行了大量实验,结果表明所提出的基于反馈的视频消抖算法在应对包含复杂运动场景的交通视频时的处理效果优于现有算法,背景轨迹数量增强的算法在应对复杂场景时也起到了提高背景轨迹数量和抑制前景轨迹数量的作用,基于轨迹导数的前景轨迹判定算法在保证判定精度的前提下能够大大降低前景判定算法的执行时间。