目前,交通视频监控对运输效率,交通安全及应急事件反应起着重要作用,然而实际环境复杂,诸如,阴影、运动目标遮挡、航道水波等,传统的背景建模算法囿于其帧间像素变化机理,虽简单实时,但往往难以解决上述干扰因素。此外,车牌识别也有类似情况。为此,论文结合“船联网”国家专项和江苏交通物联网示范工程等项目,专题展开研究,其具有重要的理论意义和实际应用价值。论文描述了交通监控视频所存在难点或不足的现状,包括运动目标阴影、运动目标遮挡、车牌识别误检等干扰因素;阐述了背景建模、光流法等常见视频检测机理,分析不足产生的原由;具体分析讨论了车辆视频检测难点,诸如,GMM建模中提取出目标存在着空洞和噪点、阴影造成误检或漏检、背景建模的遮挡车辆误识别、车牌相似字符混淆等难题;进而讨论解决难点或不足的初步构想。论文针对传统视频检测方法,分别专题给出系列解决算法,具体包括:针对传统阴影检测算法往往难以有效区分运动目标边界,造成颜色和纹理信息相似的前景和阴影区域相混淆问题,论文解析了 HSV颜色特征和LBP纹理不变性提取阴影原理,阐述并改进了 SE-CT阴影去除算法,提出了基于颜色和纹理梯度特征GA-HT梯度填充的目标阴影去除算法,分析对比了目前存在阴影检测算法,验证了 GA-HT阴影去除算法阴影去除的有效和可行性。针对DPM无法处理因区域检测器的检测误差导致的目标部分遮挡问题,论文提出了基于DPM-CRF组合的目标遮挡处理算法。该算法解析了 DPM模型原理,用DPM模型提取目标上下文信息和组件间的空间配置信息来训练和优化CRF参数,再通过置信传播算法实现最终的目标检测。实验表明,该算法能够很好地解决车辆遮挡问题。针对传统的车牌识别算法复杂环境中车牌识别效率低、计算成本高的缺点,难以有效区分相似字符等问题,论文解析了 KNN算法和SVM分类算法,提出了一种融合KNN和SVM模型的车牌识别算法。该算法把KNN第一种分类模型,对正常和规则的字符进行识别,再使用具有RBF核SVM分类模型处理相似字符分类问题,最后实验验证提高了车牌识别的准确度。综上,论文的创新点和特点在于:●提出了 GA-HT阴影去除算法,去除运动目标(车辆、船舶)阴影,提高了目标检测的精度。●优化了判别组件模型,提出了 DPM-CRF组合模型,解决了运动目标部分遮挡问题,抑制了相邻目标的检测时的融合,提高了目标检测和交通流参数的精度。●改进了单一的SVM车牌识别模型,加入KNN分类算法,解决了相似字符误检的问题,提高了车牌识别的效率和精度。