我国大中城市汽车保有量持续快速增长，城市道路交通拥挤问题变得越来越严重，迫切需要进一步改进城市交通管理与控制，其中采用先进信息技术手段改进交叉口信号控制策略具有十分重要的实际意义。为此，需要进一步深入分析交叉口交通流特性，准确获取交叉口各种交通参数。　　论文采用交叉口及入口路段架设的摄像机网络获取交通视频，通过视频图像处理技术来检测各种交通参数、分析交叉口交通流特性，取得了如下研究成果。　　(1)入口路段交通波的检测和跟踪　　根据交通波跟踪结果，可以获取排队长度、停车延误和消散时间等交通参数。　　首先，提出了一种由队尾伸缩窗与队头伸缩窗构成的复式伸缩窗算法，用于实时跟踪排队车辆队尾和队头离停车线的位置（即停车波和起动波）。同时针对早晚高峰时间光线变化的影响，通过基于Haar特征的Adaboost分类器对队头和队尾车辆进行识别来修正停车波和起动波的跟踪误差。实验结果表明该方法能实时准确地跟踪停车波和起动波，并能适应早晚高峰光线亮暗的变化过程。　　然后，针对单个相机复式伸缩窗算法存在的问题，譬如车辆离摄像机的距离改变引起的定位精度变化、车辆之间的遮挡、摄像机拍摄车流的方向等因素对交通波跟踪精度的影响，提出了对偶摄像机概念（相向摄像机和相背摄像机），以及基于对偶摄像机的检测数据的决策层数据融合方法。由于决策层数据融合中，任一摄像机跟踪精度的下降都会直接影响最终的融合结果，进一步提出了基于对偶摄像机的像素层数据融合方法。该方法通过对偶摄像机的相互协作来实时检测和跟踪停车波、起动波和驶离波等三类交通波。实验结果表明，该方法不仅可以检测更多的交通参数，还具有更高的精度和鲁棒性。　　最后，由于决策层或像素层数据融合方法采用了集中式处理方式，增加了系统复杂度，也不利于系统扩展，提出了入口路段上方架设多台摄像机形成分布式视频网络，在通信相连的摄像机之间进行加权平均一致性信息交换，使得所有摄像机获得交通波的全局最优估计。具体来说，根据前一时刻预测的交通波位置，在相向摄像机之间的可视区域内，每台摄像机采用融合Adaboost分类器的复式伸缩窗算法对各车道交通波进行检测，并动态估计其测量噪声权重;在相背摄像机之间形成的盲区内，分别采用车辆进入和驶出盲区的行驶速度的变化来估计停车波和起动波位置。在此基础上通过可相互通信的摄像机之间的信息交互，来动态调整各摄像机检测结果的可信度，并采用加权平均一致性算法使得所有摄像机的交通波估计值达到全局最优。实验结果表明，该方法不需要信息处理中心，有利于系统的扩展，同时对交通波的跟踪具有更高的精度和系统鲁棒性。　　(2)交叉口内交通流特性分析　　对交通流特性分析，可以获取交叉口内不同的车辆运动模式下交通流量和经过交叉口的行程时间，也可以对车辆行为进行预测。根据交叉口内车辆运行轨迹数据，提出了一种交叉口内交通流特性分析和交通状态理解的自动处理方法。通过分析车辆运动轨迹的多种局部特征，以局部鲁棒特征提取理论为基础，直接根据原始的低质量的车辆轨迹数据，采用多层次轨迹谱聚类方法来识别交叉口内不同的车辆运动模式。一方面，聚类结果可以清楚地描述图像中车辆转弯时的行程，计算交叉口内每种运动模式下的交通流量和平均行程时间。另一方面，聚类后的轨迹类代表交叉口内不同的车辆运动模式，通过对当前时刻的运动车辆进行跟踪获取该车辆的行程轨迹，采用匹配轨迹类的方法来对该车辆的下一步行为进行预测。实验结果表明，该方法生成的12种运动模式能准确地对交通流特性分析。　　(3)入口路段交通流量与换道率检测　　针对交叉口入口路段交通视频中存在车辆遮挡严重、频繁走停以及频繁换道插队等问题，提出了一种获取交叉口停车线后大视野范围内高峰期车流量以及车辆换道率检测方法。首先采用多级虚拟特征线生成多级时空图，对车辆进行快速检测和分割，获得车辆候选区域;然后对车辆候选区域内局部特征点进行初步分组和跟踪来实现候选区域车辆的跟踪，同时根据相同组内特征点运动趋势相似度来修正分组，解决车辆遮挡问题;接着将多级时空图和特征点跟踪相结合，进行相互反馈学习，实现对车辆准确分割和鲁棒跟踪，避免车辆行驶中走停的影响;最后采用分层轨迹谱聚类对车辆正常行驶行为进行建模，对车辆的随机换道行为进行检测，用于获取车辆换道率。实验结果表明，该方法能实时准确地获取所需要的交通参数。