随着城市化的进展，汽车的普及，机动车数量、出行人数的大量增加，路网通过能力难以满足交通量快速增长的需要，交通拥挤加剧，交通事故频发，公路交通的安全问题变得日益突出，中国已成为世界上交通事故发生最严重的国家之一。目前造成交通事故频发的一个重要原因是我国公路运行中监控和管理技术水平低下。各国的研究和实践证明提高公路运营和管理的水平关键是建立应对偶发性拥挤的交通事件管理系统。事件检测是事件管理过程的第一步，也是其核心和关键。传统的基于环形线圈的检测方法功能单一、安装维护不便。研究基于视频技术的交通事件自动检测方法，既可克服传统检测方法的不足，又可使现有道路交通视频监控设备发挥更大的作用，对解决我国道路交通安全问题具有重要意义。 交通事件检测是通过安装在户外的摄像机摄取自然场景中的交通事件图像视频，输入计算机进行处理完成的。由于交通事件检测是一个动态图像处理过程，视觉建模和计算困难，相对于交通标志识别等静态图像应用更复杂。同时，车辆跟踪过程受到户外环境存在的多种因素的影响，比一般非自然环境下的目标识别更具有挑战性。本学位论文在运动估计的应用研究、基于彩色的车辆跟踪、基于彩色纹理马尔可夫随机场模型的车辆跟踪、车辆运动典型行为模式的学习、基于DTW的事件检测等方面做了一些有益的工作。本文提出的基于视频的交通事件检测算法，将运动估计、车辆跟踪、彩色纹理马尔可夫随机场模型、行为模式学习等技术建立在同一架构之上，并形成了一种新的交通事件检测方法。学位论文的主要工作和成果可以概括为以下五个方面： 1、结合车辆跟踪、交通事件应用的需要，进行运动估计算法的应用研究。研究了常见的光流法、块匹配以及一种改进的最小二乘光流法三类运动估计算法，其中详细讨论了块匹配算法的应用研究。并就运动估计在车辆跟踪及进一步在交通事件视频检测中应用的特点进行研究，提出了五种运动估计在交通场景中应用的评价测度，分析了各种算法在测度制约下的性能特点，从而为车辆跟踪中运动估计算法的应用提供依据和保障。 2、针对基于灰度图像跟踪法的不足，提出基于彩色信息的车辆跟踪算法。研究了基于灰度图像和运动估计算法的车辆跟踪算法。基于灰度图像的车辆跟踪算法得到的跟踪结果准确性较低，考虑到彩色图像包含了丰富的彩色信息，在前面灰度图像车辆跟踪算法的研究基础上，提出了基于彩色的背景频率统计法作为背景提取方法和以彩色图像的色调阈值法取代灰度阈值的车辆跟踪算法。对比实验结果表明，基于色调值及彩色背景的车辆跟踪方法能使跟踪性能得到较大地提高。 3、提出基于彩色纹理的ST-MAR的车辆跟踪算法。车辆跟踪中车辆相互间的遮挡影响了车辆跟踪的精度，确定性模型的方法解决遮挡效果不理想。针对交通视频中包含随机过程的特点，采用马尔可夫随机场模型处理视频图像序列。已有的马尔可夫随机场方法基于灰度图像，并在模型中融合了灰度纹理累加计算的方法。由于灰度图像的色彩局限性和信息失真，解决遮挡的效果不理想。本文改进了时空马尔可夫模型，提出了新的彩色纹理计算方法。实验结果表明改进的基于彩色纹理的算法性能得到了很大提高。 4、针对GSOM的不足，进行了基于增长控制的GSOM行为模式学习算法研究。以运动车辆的位置和速度为内容建立特征向量，构造轨迹模型并对数据进行编码。为了克服GSOM模型的缺点，使用改进的基于增长控制的GSOM模型对几种交通事件进行行为模式学习。实验结果表明本文提出的交通行为模式学习方法是准确和有效的。 5、基于车辆跟踪算法，结合行为模式学习算法，提出了基于动态数据规整算法的交通事件检测算法。研究使用动态时间规整算法，将时间规整和距离测度结合起来对存在全局或局部扩展、压缩或变形的模式进行匹配，解决动态模式的相似度量实现事件的检测。研究了基于相似性测量的方法，通过将待测事件的数据序列与预先标定的代表典型事件行为，即参考序列的行为模式进行匹配来判定实现。研究数据的预处理方法，相似性度量的概念及选择，计算量的降低，并引入动态事件规整算法作为相似性测度进行事件的识别检测。并以U形转、违章左拐、违章变道等事件为研究对象，进行实验论证。实验结果表明，本文提出的基于DTW的事件检测方法事件检测成功率较高，算法鲁棒性较强。