在智能交通系统日益完善的过程中,车辆轨迹信息的应用价值不断地被发掘出来,车辆行驶轨迹中蕴含了重要的交通规律,可用于实现流量监控、位置预测、车辆追踪、线路推荐等应用,因此提取分析车辆轨迹数据成为智能交通方面的研究重点。随着技术的发展,车辆位置信息可以通过监控视频、GPS定位等方式轻而易举地获得,但是由于自然环境和设备架设等多方因素的影响,车辆的位置信息往往是离散的,并且由离散的监测数据重建出的车辆轨迹常常存在缺失,严重影响了轨迹的分析挖掘,降低了实际应用的效果。因此需要有效的方法从离散监测数据中重建出车辆轨迹,并对存在缺失的轨迹进行填充,提升轨迹数据的质量。为了解决上述问题,离散监测数据选取了交通监控视频数据和路口车牌检测识别数据,首先基于离散监控视频构建了车辆再识别图像库。然后在此基础上提出了结合时空相关性的基于多特征超图融合的车辆再识别方法,用于从离散的视频点位重建出车辆行驶轨迹。最后针对车辆轨迹存在缺失的问题,提出了基于Floyd算法的车辆缺失轨迹的填充方法,提高了离散交通数据的质量。主要研究工作包括以下几点:(1)基于离散交通监控视频数据,构建包含交通参数的车辆再识别数据集。为了有效利用离散的交通监控视频数据重建车辆轨迹,利用车辆检测和跟踪算法对视频中车辆进行识别,然后利用交通流参数提取方法得到每辆车相关的时空信息,将多个监控点位下的车辆图像连同交通参数信息存储在本地。一辆车可能会出现在多个监控画面中,于是通过再识别程序匹配结合人工筛选的方式,将相同车辆在不同位置下出现的图像划为一组图像序列,重建车辆行驶轨迹,构建了跨摄像头车辆再识别的图像库,提高了视频数据的可用价值的同时,为车辆再识别方法的研究提供了数据基础。(2)基于构建的车辆再识别图像库,提出了基于多特征超图融合方法的车辆再识别方法。以构建的车辆再识别图像库为实验数据集,利用SIFT、HSV和ORB三种方法提取车辆图像的不同特征,将每种特征利用超图加以表示,通过多特征超图融合方式将多种特征融合分析,利用超图学习得出图像相似度向量,结合数据集中的交通参数对车辆进行时空相关性分析,结合时空距离重排图像相似度,最终找出查询图像在其他位置出现的图像序列,实现了基于车辆再识别方法的车辆轨迹重建。通过对比实验证明了方法在车辆再识别问题上的先进性。(3)基于离散的路口车牌检测识别数据,完成了基于Floyd算法的车辆缺失轨迹的填充。原始数据为监测设备采集的车辆号牌、位置、时间和路口经纬度坐标等数据,但由于设备安装密度及数据采集准确率的原因,原始数据中存在各种数据缺失的情况。为了补全车辆轨迹中的缺失信息,进行了冗余数据删除、归类整理、路口信息补充等数据预处理操作,针对整理后的轨迹数据,提出了基于Floyd寻路算法的车辆缺失轨迹的填充方法,实现了车辆行驶过程中的缺失轨迹的填充,提升了离散数据的完整性和可用价值。