随着交通需求量日益加大,城市人口高度密集,城市拥堵问题日益严峻。现阶段,政府从供给与需求量的角度,分别实施加大交通基础设施建设的政策和车辆限牌、限行的政策,但无法根本解决交通拥堵的结构性问题,需要更科学、高效和智能的方法对交通状态进行检测和管理。智能交通系统和智慧交通不断发展完善。基于视频的交通检测技术由于其可视化、非接触性、经济性和多检测性的特点,成为了研究热点。本文提出了融合Haar-like特征与时空信息的区域性交通状态检测算法,主要内容如下:一、介绍了交通状态的基础概念,并提出了新的交通状态局部区域的定义。现阶段方法将道路的交通状态作为整体进行判别。然而,城市交通复杂多变。同一道路中,不同分车道、不同远近路段的局部区域也可能拥有不同的交通状态。由此给出交通状态区域的定义,进一步细化交通状态检测,满足城市复杂场景的准确性要求。二、研究了三种交通状态检测技术,并分析其优缺点:基于Haar-like的Ada Boost检测法可以直接检测车辆来获得道路上交通状态,但问题在于远距离小目标和被遮挡目标无法识别;Canny边缘法和帧差法可以分别获取道路上物体的空间存在性和运动性,常被结合起来检测道路交通状态。但Canny边缘法有着噪声问题和非目标识别问题。帧差法有双影问题和空洞问题。三、提出了一种交通状态检测算法,将道路分车道、分局部区域,并融合上述三种算法,取长补短地来进行道路交通状态区域的检测。首先,基于Haar-like特征的Ada Boost检测法,Canny边缘法和帧差法,分别对道路图像进行检测,获得车辆、空间信息、时间信息。其次,将获得的检测结果通过本文提出的检测信号提取法,转换为二元输出检测信号;再次,通过对路面交通状态的分析,提出了一种信号判别法,将检测信号进行综合判断,提取道路上不同交通状态的区域。由于上述算法缺陷而产生的检测信号失效问题,也通过综合其他检测信号来补充、修正,划分出道路上准确的交通状态区域;最后,为证明本文算法有助于检测交通参数,在此基础上进行车辆排队长度估计。四,将本文算法编程实现,其中,详细介绍了基于Haar-like特征的Ada Boost分类器训练过程。将本文算法与其他两种算法在复杂交通场景下进行比对实验。结果表明,本文算法在城市复杂交通场景中拥有更好的表现,满足了交通状态检测的准确性和稳定性要求,细化了道路上的交通状态检测结果。