张 媛 贾克斌

（北京工业大学电子信息与控制工程学院 北京100124）

0 引 言

近年来交通的现代化带来了很多问题：道路拥挤、事故增加、交通环境恶化，等等。智能交通系统在这样的情况下应运而生，它是将应用信息、通信、计算机、自动控制等技术集成而建立起的一种高效、便捷的交通运输综合管理和控制系统［1］。交通状态的有效分类是ITS非常重要的子系统和功能之一［2］。

目前，国内外的交通状态识别研究主要是基于先进的信息采集技术。采集的实际交通参数，如速度、流量、占有率等，结合交通流理论和模式识别的方法，进行路段的交通状态的识别。但是这些方法的有效性一方面依赖于交通参数采集的准确性和实时性；另一方面取决于分类方法选择的合理性。很多实验表明，这些方法在交通处于拥堵状态下交通参数检测准确率急剧下降。

近年来，随着机器视觉技术的发展与广泛应用，国内外学者提出了一系列基于视觉特征与模式识别的交通状态识别方法。该方法主要分为2类，第一类为视觉特征的直接判别方法，基本思想是从视频帧中提取特征直接检测交通状态。如Xiaokun［3］和Porikli［4］最早利用基于 MPEG 视频图像的DCT系数和运动向量构成的特征向量，由高斯混合隐马尔可夫模型进行交通状态分类。但是，交通状态有一定持续期，单帧图像的交通密度不足以对交通状态准确分类［5］，同时利用隐马尔科夫模型分类是非常复杂的。

第二类方法为根据视频序列的特定区域或虚拟检测线上像素内容随时间的变化，构建描述一定时间段内车辆运行状况的图像，然后采用图像处理算法，提取特征判断交通状态。……