中文摘要：

公路交通视频检测系统的一个显著特点是工作环境异常复杂，包括雾、雨雪、阴晴、多云等天气变化，以及昼夜更替引起的交通场景光照变化，而通常基于图像交通事件识别方法的基本思想是对图像像素变化进行分析和匹配，因此，这类方法对环境变化敏感，导致目前基于视频的交通事件识别方法鲁棒性差。本项目着重研究复杂环境下的交通事件的智能识别问题，突破传统的方法仅仅考虑单一环境因素或者不考虑环境因素的不足，以及影像底层结构识别和高层语义识别存在"语义鸿沟"的问题，从整体的角度分析复杂环境因素，提出复杂环境下视频序列影像鲁棒处理方法，强调交通事件高层描述与底层特征的表达相互关联，建立其多粒度的映射模型，进而发展多层次语义支持的复杂交通事件智能识别方法，形成一套自适应复杂事件的自动识别体系。

结论摘要：

该项目按照项目计划重点研究了复杂环境下，如何提高交通事件的识别率问题，建立了交通事件的层次模型，提出（1）复杂环境下车辆目标鲁棒性检测方法（2）基于边缘特征的视频序列影像自适应模板匹配算法；（3）面向交通视频监控的复杂环境识别算法；（4）基于交通事件的形态特征分析的交通事件检测方法等。通过对复杂环境的智能感知和识别，提高复杂环境下，如何提高交通事件的识别率。并且，为了在实际工作环境中能够达到实时的检测的目的，研究大量的优化算法来提高基于视频的交通事件识别速度（1）基于跨领域搜索优化加速算法；（2）基于变量约减的优化加速算法；（基于多群体差分组合突变策略；提高算法性能）等一系列优化方法，以更好的满足实际需求中的实时要求。项目执行过程中，研究成果已经在广东省4条高速公路得到应用（揭博高速公路、包茂高速公路、开阳高速公路、广肇高速公路），项目的成果逐渐上升到路网级，为此课题组进一步扩展研究内容，研究了面向视频监控网的协同服务机制，取得了一系列的成果。