交通路口异常事件是影响交通正常运行的重要因素,且交通路口作为公共出行集中度较高位段,公共安全事件的发生影响范围广。随着城市发展和生活水平的逐步提高,快速的城市化过程,使得北京迅速成为排名世界前20位的超大型城市。但是,同样随着城市的发展和机动车量的迅速增加,城市交通环境急剧恶化,交通拥堵成为城市的常态,据统计60%-70%交通拥堵受到交通事故的影响。本课题研究为交通路口异常事件检测和识别提供了研究思路,为交通路口异常事件类型识别提供了技术支撑,对于交通路口异常事件的及时发现、及时处理能够减少或疏解交通拥堵情况有重要意义。能够提高相关部门针对异常事件的及时性反馈和救援效率,避免危害事件的扩大化,有效的减少人民生命财产安全受到的危害。基于视频的事件检测作为一种快速、无损、高效的检测方法,成为交通监控异常事件的主要手段。由于交通环境复杂,影响交通运行条件多样,基于视频的自动化检测方法并不完善,主要存在如下问题:1)大多数交通异常事件的检测,只能够检测到异常事件的发生,而并不能识别交通异常事件发生的类型,难以实现异常事件的快速处理和反馈;2)现有的交通异常事件一般注重交通车辆的运行而忽略了行人在交通异常事件中处于的弱势地位和主导地位。本论文作为自选课题,针对交通路口异常事件的影响,对交通路口异常事件类型,以及相关技术方面进行研究。本论文研究内容主要包括以下三个方面:1)行人目标的准确性分割方法,用于个体行人目标的精确性分割;2)人体行为的低秩纹理描述,用于群体异常事件类型识别。3)基于人体关键点分析的人体姿态估计,用于行人倒地事件类型识别。本文的主要研究工作及创新点如下:（1）针对交通路口目标检测范围背景信息的影响,提出了一种基于全局显著性的双窗Fisher自适应目标分割方法,可以快速准确提取目标,减少目标背景的影响。针对个体目标的邻域环境相对连续、统一问题,提出对目标进行全局显著性提取获得目标的显著性图。结合双窗阈值分割结构简单且能兼顾不同局部信息的误差和Fisher线性判断阈值能够准确合理的自适应选择阈值的优点,提出一种双窗Fisher自适应阈值分割方法,对个体目标的显著性图进行阈值分割,实现个体目标的准确性提取,避免个体目标邻域背景信息的影响。（2）针对群体事件研究群体密度方法的复杂性,提出了一种基于低秩纹理方向的人体描述方法,并以此为基础,构建群体异动事件模型,识别不同的群体异动事件。人体本身带有的纹理特征伴随人体行为改变而改变,将人体目标作为整体纹理进行提取,由于人体行动方向所带动的人体结构具有倾向性,其表现在图像中为所选择的个体目标区域为稀疏矩阵区域,具有较高的秩。而人体直立或相对直立时,人体区域矩阵密集,同样具有较高的秩。不同之处在于,稀疏矩阵能够进行压缩,获得较低的矩阵秩。密集矩阵并不随着矩阵压缩而降低矩阵秩。低秩纹理特征提取能够将选择的图像区域进行矩阵压缩,以便获得较低的矩阵秩。计算获得选择图像区域的低秩方向,从而对图像选择区域进行转换,形成图像目标的低秩纹理方向和运动趋势描述特征。群体异常事件是多目标之间的相互关系而反映出的总体特性,构建多目标的方向和运动趋势关系,形成群体异常事件类型检测模型。（3）针对交通路口行人倒地事件原因的复杂性,提出一种基于人体骨骼关键点分析的姿态评估方法,并以此为基础,构建路口行人倒地事件识别模型。人体姿态的变化伴随人体骨骼关键点相互关系的转变,以人体骨骼颈部关键点为中心,选取人体动作相对重要的8个关节点（左右肩、左右肘、左右臀、左右膝）,并提取关键的位置信息,构建关键点之间的相互关系。以颈部关键点为基准,计算到该基准点的八个距离熵值,并计算左右肘、左右膝四个关键点直接到基准点的距离熵与经过中间关键点左右肩、左右臀到达基准点的距离比值,构建人体目标的姿态评估模型。人体姿态呈现异常状态,则以该目标为中心点,查找邻域范围内目标,计算目标与中心目标的欧式距离,判断邻域目标与中心目标的相互关系,判断倒地事件是人为事件还是个人事件。本文对交通路口异常事件类型识别及相关技术进行了探索和研究,但仍存在以下不足有待进一步研究:1)在现有监控系统基础上所获得的监控视频,有很大一部分视频内容并不能使用深度学习的Faster-RCNN模型进行检测识别,尤其是监控视频模糊或监控目标小的情况下,识别更为困难,严重影响目标的检测识别结果;2)目标的低秩纹理方向特征受到目标整体影响的同时,还受到目标本身纹理的影响,如衣服、背包、光照。如何进一步选择和使用人体低秩纹理方向并用以人体行为描述,成为研究重点。3)目前本文只对交通路口群体异常事件和行人摔倒事件进行识别和分析,有待于对交通路口其他类型的异常事件进行识别和扩展。