随着监控设备布控在世界的大街小巷,昼夜不停地监控拍摄以及数据存储技术不断提升,大数据视频资源的时代已然开启。视频智能检索技术也在各行各业中得到广泛的应用。大量监控事件的存储有了海量视频信息,对公安及交警部门来讲提供了很大的便利。而此时,如何在海量视频数据资源中快速有效的提取有价值的视频数据就显得尤为重要。对于“灰牌照”车辆(指交通视频监控系统无法获取车牌号的车辆,以下统称为“灰牌照”)。目前传统的视频检索方式难以解决此类目标的检索问题,通过人工进行视频分析检索效率低、成本高。因此快速有效的灰牌照车辆检索方法就成为交通视频监控领域的一个重要课题。本课题就是在此背景下对交通监控视频中目标车辆进行快速检索方法的研究。本文的主要研究点如下:1、车辆行驶时间域预估。针对车辆在高速公路中行驶时间受到多种因素影响,建立了车辆行驶时间域预测模型。通过多种方法对比分析,选用BP神经网络预测方法。重点研究了车辆目标对象的提取和车流量统计的视频获取方法,确定了模型输入变量。通过样本训练及预测误差的分析,建立了时间预测修正模型,实现对两个相邻道路点位之间车辆行驶的时间域的估计。为目标车辆提供了时空关联下的检索时间范围。2、车辆颜色特征识别。本文重点研究为车辆颜色识别方法,将道路图像中的两万张不同颜色的小型车辆数据按照颜色模板进行人工分类,建立了 10类车辆颜色样本图片库,并通过caffe框架下GoogleNet网络结构进行深度卷积神经网络的颜色分类。经测试样本验证该颜色特征识别方法平均识别准确率比传统建立RGB空间向量的识别方法有明显提升。3、目标车辆的多特征检索方法研究。基于车辆运行的时空条件约束,本文选取了车辆的车型、颜色和车标多特征进行目标车辆检索。分析了交通监控视频中目标车辆多特征检索的原理和策略,建立了基于时空关联的目标车辆多特征检索模型。