高速公路出入口作为高速公路事故多发区,其安全性直接影响高速公路的通行能力和服务水平。论文通过对高速公路出入口处的车辆轨迹进行分析,深入研究出入口车辆的轨迹行为,可为机器视觉下车辆风险的预警研究奠定基础,进一步提升出入口的交通安全性。论文的具体研究工作如下:(1)视频车辆的识别与跟踪。在识别阶段,针对传统车辆识别方法中背景建模不完全而导致的车辆识别困难问题,论文基于一种三帧差分和改进的高斯混合模型法,结合Canny算子处理图像边缘,并提取目标车辆的图像信息。在跟踪阶段,利用卡尔曼滤波器和改进的迭代匈牙利算法对视频中的车辆进行行车位置的预测和匹配。结果表明:与其它背景建模法对比,论文所建立的背景提取方法对视频中的车辆具有更好的识别能力。改进的跟踪算法对车辆的跟踪能力较强且迭代次数较少,利用随机选取的视频段对建模后的车辆跟踪效果进行检测,平均正确率为93.56%。(2)利用分层谱聚类针对识别的车辆轨迹进行聚类分析。首先根据车辆的空间位置,利用最小二乘法拟合轨迹,并根据轨迹曲率将轨迹划分为直线簇和曲线簇,然后利用轨迹倾角相似度结合谱聚类对车辆轨迹进行一次聚类分析,最后基于轨迹的速度和加速度特性对轨迹进行二次聚类。结果表明:通过“先分后聚”的方法可较好地分析直行与换道轨迹,且该方法对二次换道轨迹也有一定的区分度。通过对速度和加速度特征的聚类,能够进一步区分轨迹。(3)基于CHMM+RF理论建立轨迹模态识别模型。利用车辆轨迹数据对CHMM+RF模型进行训练,并采用预留测试集对模型进行验证,最后与基于CHMM模型和CHMM+SVM模型的预测结果进行对比。结果表明:CHMM+RF模型在轨迹模态识别方面优于CHMM模型和CHMM+SVM模型。论文以高速公路出入口车辆轨迹为研究对象,通过对目标车辆进行识别和跟踪,进一步提取轨迹信息,最后采用CHMM+RF模型对轨迹模态进行分析。论文所采用的识别方具有较高的准确度,可为高速公路出入口及其它路段在机器视觉下的车辆模态识别提供借鉴。