近年来,随着计算机、图像处理等技术的发展,监控视频越来越广的应用于交通管理。车辆的换道、强行加塞等行为会引起交通事故或交通拥堵,是影响城市交通秩序与安全的主要因素之一,但现有的监控视频设备识别车辆行为的功能还不够完善。因此,自动识别车辆的换道、强行加塞等行为可以为安全预警及执法提供支撑,以降低交通事故发生和缓解交通拥堵。本文的主要工作如下:首先,采用梯度方向直方图(Histogram of oriented gradient,HOG)结合支持向量机(Support Vector Machine,SVM)的方法检测车辆。本文收集一万多张车辆正样本图片和三万多张非车辆的负样本图片形成训练集,提取样本的HOG特征,再使用SVM分类器实现车辆识别。其次,采用改进的扩展卡尔曼滤波(Extended Kalman Filter,EKF)方法实现车辆跟踪。论文采用直接线性变换(Direct Linear Transformation,DLT)标定方法从监控视频中获取车辆在实际道路中的位置信息,利用改进的扩展卡尔曼滤波的方法对车辆进行跟踪,并采用范围限定条件约束,对算法进行优化,提高了轨迹跟踪的精度。再次,建立车辆运动特征选取方法。获取车辆轨迹后,依据车辆轨迹选取基本原则,经过轨迹预处理、改进的K-means聚类、多项式拟合等取得均匀车辆运动点列,在此基础上利用车辆运动模型获取车辆运动特征序列。最后,构建隐马尔可夫(Hidden Markov Model,HMM)模型对车辆换道行为进行分析。根据车辆的方向角特征,采用前向后向算法结合Baum-Welch算法实现车辆换道行为分析。本文使用HMM的方法与SVM进行对比,实验证明HMM方法在实际道路采集视频中的分析车辆换道行为准确率较高。本论文研究成果可以为基于监控视频的车辆运动行为识别提供理论支持。