智能交通摄像头的主要元素:车和人
在今年之前，对智能交通摄像头的普遍理解是，交警行业更注重违法行为和证据链的有效性，而公安行业同时注重车辆特征和驾驶员的人脸信息，是公安监控的重要数据源之一。一些一线城市甚至严格要求人脸尺寸为100x100像素；
但在交警行业，由于证据链的主体只有车辆和违法流程，因此存在很多扣分的现象。在交通管理科学研究院发布的《闯红灯自动记录系统通用技术要求征求意见稿》中，我们注意到了更新的内容:“驾驶员面部特征采集”。这是对违法闯红灯取证严谨性的标准更新。虽然是否会在新标准中实施还不得而知，但足以反映出标准制定部门对这一应用趋势的认可。《驾驶员面部特征采集》标准草案说明:系统应能记录机动车闯红灯行为对应的驾驶员面部特征图片，驾驶员面部分辨率应不低于50×50像素， 可以作为认定机动车闯红灯违法驾驶员的参考依据。对卡口过往车辆图片中的驾驶员人脸进行特征切割，作为公安监控人脸数据库的数据补充。这样就对智能交通摄像头的分辨率和清晰度提出了更高的要求。相信高清和超高清将是未来产品应用发展的一个趋势。从功能设置上可以看出，这种变化也来源于交警行业的业务诉求:严密的违法取证证据链，规范的违法处罚流程，遏制驾驶积分非法交易。在发布的《基于交通技术监控记录处理交通违法行为的指导意见》中，也有相应的要求:“通过辨认证据图片、图像或者当事人的书面陈述、签名，询问当事人，收集证人证言，审查当事人提供的证据，能够认定机动车驾驶人的，应当固定证据，依法处罚驾驶人。”
智能交通已经进入大数据时代。利用前端数据采集设备采集的海量、多样化数据，快速、深入地挖掘这些数据的潜在价值，已经成为智能交通的一个新的业务应用。在基于大数据的智能交通系统中，智能交通摄像机作为前端数据采集设备之一，承担着结构化过往图片、视频中车辆特征非结构化数据的重要任务，每一个结构化的过往数据都会成为后端大数据平台中数据计算的基本元素。这就要求智能交通摄像头具备更多的特征采集功能，比如车牌号、车身颜色、车辆识别，甚至详细的车型识别。在大数据应用业务中，我们可以进行查询、检索、 通过多条件组合等计算模型，基于这些属性进行判断等服务。
智能交通摄像头的智能化时代(10年以来)此时，我们迎来了智能化时代，摄像头真正成为了“有脑子的智者”。主要体现在以下几个方面:
首先，前端只有一个摄像头。摄像头采用H.264+JPEG双码流技术，其中H.264视频流用于车辆检测，JPEG用于车辆抓拍，从而整合了前两个摄像头的工作。同时，摄像头内置DSP处理芯片，集车辆检测、抓拍、图片识别于一体，兼容处理主机的工作。真正实现了集成，降低了系统成本，给网站建设和整个系统的稳定性带来了革命性的变化；
其次，利用车辆轨迹跟踪算法，与虚拟线圈相比，跟踪算法可以实现更规则的检测和更精确的检测；通常使用背景建模和前景建模技术。背景建模是基于背景检测的技术:当没有车辆通过视频检测窗口时，视频显示出道路、路边建筑物、树木等物体的成像特征，这些特征在相邻帧的视频流中发生微小变化，因此可以检测相邻视频序列中设定区域的图像特征变化，确定车辆的进入、停留、移动、变化、离开等事件特征，从而实现系统抓拍。优点是计算量小；实现简单；对系统处理单元的要求不高，适合嵌入， 这对提高捕获系统的整体稳定性具有重要意义。缺点是检测指标不稳定，易受天气、光线、阴影、非机动车要素
前景建模有两种，包括车辆检测和车牌检测。基于前景检测的车辆检测技术实现源于以下设置:当车辆通过视频检测窗口时，车辆特征会在一定时间段内连续出现在视频序列中的特定区域，进而判断车辆进入、滞留、移动、变化、消失等事件特征，实现系统抓拍。优点是对有车牌的车辆检测准确率高，检测性能稳定，能很好地适应各种天气、光线、阴影、非机动车元素、成像设备抖动、传输链路噪声和车辆行驶特性的干扰。缺点是无法检测无牌照车辆；与此同时， 它受制于图像整体大视野中车牌特征的稳定性变化。比如当车牌变得无法识别时，无法给出更详细的车辆行驶特征，从而失去对深层行为的判断能力；
车辆检测是前景建模的另一种方式，基于前景检测技术实现。车身检测特征是指车身作为前景检测特征，如车身中的颜色、线条、交叉点等；优点是灵活性和鲁棒性高，可以检测无牌照车辆，还可以更详细地检测车辆行驶特征，进行深度数据挖掘；不像车牌检测法那样稳定，占用大量系统资源，对处理器性能要求高。随着装载量的降低，系统整体性价比不高。
目前的智能摄像机算法大多采用多种算法的组合，大大提高了车辆的检测效率，为高清图片识别提供了更多的信息。高清普及后，摄像头拍摄的车辆图片细节更加清晰。随着智能识别技术的不断发展，摄像头能够识别的信息已经从早期的车牌信息发展到全方位检测车牌、车辆颜色、车标、车型、车牌颜色、安全带检测、人脸检测、电话检测。最后可以为交警处罚、交通管制、城市交通运维提供良好的数据基础。