通过交通场景中的相机可以获取更为准确且更有价值的交通参数,例如车辆的行驶速度、空间位置等。而这些参数的获取需要经过相机标定,利用相机的内外参数建立几何映射关系从而实现图像的二维信息与空间的三维信息的相互转换。因此相机标定是计算机视觉在智能交通系统中的先决条件之一。当前相机的自动标定算法多基于消失点与各类交通标识物,但这些方法存在的问题有:仅用车道线或车道边界相交形成的消失点不稳定;标定标识物的检测受到自然条件的影响;在一定视角下消失点趋于无穷大。针对上述问题,本文采用消失点与模型(车辆模型或车道线模型)匹配的方法获取相机的内外参数。具体研究如下:1.简化相机模型。依据本文实验场景的特性,简化相机模型,建立适当的世界坐标系,将相机参数简化为:焦距f,俯仰角?,偏转角?以及相机高度H,从而方便后续自动标定算法的设计与实施。2.标定标识物的检测及沿道路方向消失点的获取。对于车辆标识物,本文利用Single Shot Multibox Detector(SSD)深度学习算法进行检测;对于沿道路方向的消失点,本文跟踪车辆标识物从而获取轨迹集,将轨迹集处理后利用级联霍夫变换投票获得;对于车道线标识物,本文利用沿道路方向的消失点提取运动区域,基于运动区域信息改进霍夫变换进行车道线的检测。3.自动标定模型的构建与相关算法研究。因交通场景的多样性与差异性,每个场景提取到的标定标识物不一致,且已知信息不同,因此很难使用一套通用的标定模型进行标定。因此针对不同的场景,构建车道线模型或者车辆模型,使用基于VVH、VVL或VLH的自动标定算法进行标定。本文提出的算法均在给定的交通场景中进行了大量测试,自动标定的精度达到90%以上。对实验结果进行合理分析,解释产生误差的原因并给出相应的改进优化方法。获取到的相机内外参数可用于计算车辆的行驶速度与空间位置、估计车辆的三维尺寸等。