随着计算机硬件性能的增长与深度学习技术的发展,从视频中提取交通流信息逐渐成为智能交通领域的一个重要研究方向。道路交叉口车流量大、交通冲突点多、发生事故数多,一直以来都是道路交通安全评价中的重点关注对象。本文致力于研究交叉口监控视频中车辆交通冲突的自动提取方法,应用迁移学习、车辆3D建模、分布估计算法、数值仿真等技术,实现对车辆的检测、定位与跟踪,计算车辆碰撞时间作为交通冲突,在自有数据集上应用算法提取交通冲突。首先为自有数据集制作标签,将视频图像中的目标分为行人或非机动车、小汽车、大客车或卡车三个类别,共生成1148张标注图片。应用迁移学习技术,使用带标注的自有数据集训练YOLO模型,将训练过的YOLO模型用于检测和分类图像中的目标。建立卡尔曼追踪器,使用Kuhn-Munkres算法匹配相邻图像之间的目标检测结果,应用卡尔曼滤波综合分析模型检测与车辆追踪的结果,实现对车辆目标在图像中位置的最优估计。然后标定摄像头,计算投影矩阵,得到世界坐标系与图像像素坐标系之间的变换关系。为YOLO模型中检测出的车辆,建立包含12个形状参数与3个位置参数的可变形3D车辆模型,通过投影矩阵得到模型在图像上的投影,以模型框架的投影与图像中车辆轮廓的相似度作为适应度函数,使用分布估计算法迭代,得到车辆3D模型的最优估计,推算出视频中车辆在世界坐标系中的空间位置与形状尺寸。最后,将车辆3D模型投影到地平面上,根据相邻图像之间车辆模型投影的位置与形态获得车辆的速度,以数值仿真的方式计算车辆碰撞时间,实现车辆交通冲突的自动提取,根据车辆碰撞时间的大小,确定交通冲突的严重性。本文设计的视频交通自动冲突提取程序使用python开发,调用的主要开源模块包括TensorFlow、OpenCV、Numpy等,自主编写代码超过3000行。将程序应用于全部案例视频,共提取交通冲突573个,其中碰撞时间小于2秒的危险交通冲突有320个,平均交通冲突时间为1.96秒,交通时间冲突整体上呈现左偏正态分布,大多数冲突时间集中在1秒至2.5秒之间,算法共提取到包括追尾、车辆合流汇入、侧面碰撞等四种不同场景下的交通冲突。