随着人类社会的发展,现有交通系统的弊端日益突出,因此人们希望能够通过综合运用多方面的先进技术使交通运输系统更高效、安全,实现智能交通。智能交通作为未来交通系统的发展方向,其重要性不言而喻,它的影响小至个人的日常生活,大至国家的发展繁荣。作为智能交通中的重要支撑技术,基于视觉的目标识别技术是智能交通系统实现人、车、路三者和谐的重要基础。针对交通场景的应用特点,在论文中采取先运动区域提取,后具体目标识别的框架。在具体目标识别时,对交通场景中最重要的两类目标——车辆和行人——的识别进行研究。论文根据所采用的目标识别框架,对其中的三项关键技术进行了深入研究:光流场估计技术、车辆目标分类技术和行人目标检测与计数技术。光流场估计技术是目标识别框架中运动区域提取的关键步骤,车辆目标分类技术和行人目标检测与计数技术是对交通场景中两类重要目标的具体识别,在智能交通中具有重要的应用价值。论文的主要贡献和创新点总结如下:1、提出了一种基于3D梯度的快速光流估计算法。针对现有光流估计算法计算开销大、实时性差的不足,所提出的算法通过对3D梯度和平面梯度的运算实现了光流场的快速估计。算法的主要思想为:以图像平面的两个坐标轴和时间轴建立一个三维坐标系,这样图像序列在该三维坐标系中可以被看成一个长方体,图像中的一个点在不同时间的位置会在该坐标系中形成一条三维轨迹,将两帧图像间的轨迹曲线用对应的轨迹切线近似,这样两帧间点的运动即为该轨迹切线在图像平面上的投影,也即为所求的光流向量。为了计算轨迹的切线,主要的两步计算操作是3D梯度的计算和平面梯度的计算,这样光流估计过程主要是两步求梯度的卷积操作,因此可以显著降低光流估计的计算量。与现有方法相比,所提出的光流估计算法计算简单(主要为两步卷积操作),无需迭代,估计结果能够满足许多实时应用的需求。2、提出了一种基于边缘方向直方图特征的车辆分类方法。在该方法中,边缘像素点的边缘方向被用来描述车辆的轮廓、结构信息,其中边缘图像通过Canny算子提取得到。在计算得到边缘方向后,车辆的分类过程为:首先,离散化边缘像素点的边缘方向并统计边缘方向直方图;然后,采用类似Hog描述子的特征组织方式,组织边缘方向直方图得到分类用的特征向量;最后,利用SVM进行学习和分类应用。在生成分类特征时,针对边缘像素点比较稀疏和降低特征维数的要求,改进了特征组织方式,有效地降低了特征维数。实验结果表明,所提出的边缘方向直方图特征在降低特征维数的条件下获得了与Hog特征相当的正确性,且维数的降低有效地加快了训练和分类速度。3、提出了一种快速行人检测方法。所提出的行人检测框架基于一种有效的行人检测器FPDW,针对交通场景中行人密度较高的难点,设计了先同时检测上半部分人体和完整人体后融合两种检测结果的策略,该策略通过两部分人体检测结果的融合互补有效地降低了漏检率。为了满足实时性要求,实现时利用GPU来并行地执行检测操作。实验结果表明所提出的方法在检测速度和检测精度上都获得了较好的性能。4、提出了一种基于混合特征和ELM的行人计数方法。所提出的行人计数框架结合了两种主流的行人计数策略(直接法和间接法),通过混合特征使直接法和间接法所使用的信息都得到利用,这样可以充分利用两种行人计数策略的优点。为了能够有效地利用行人检测结果(属于直接法)中的信息,论文基于LBP设计了一种有效的rLBP特征来描述该信息。同时,一种较新的机器学习算法——ELM——被用来学习混合特征和行人数目间的映射关系。通过大量的实验表明,所提出的行人计数框架明显地提高了行人计数精度。