Video_event_set表示的是視頻事件集，這些事件包括車輛直行駛過、車輛左拐、車輛右拐、闖紅燈、變道、違章停車、行人走過等交通事件，每個事件被賦予一個ID。Object_node引用Video_object_set中的元素Video_object，這樣就避免了對象的重復定義。Object_relati on表示的是對象(Video_object)之間的關(guān)系，這些關(guān)系通常如表3所示。
對于每件交通事件將其描述成對象之間的關(guān)系。例如對于闖紅燈事件，涉及到的對象即為行駛中的車輛、變?yōu)榧t燈的交通信號燈和停車線，車和停車線之間的關(guān)系就是車越：過停車線(Crosses)。對于違章停車事件，涉及到對象為某個不能停車的車道和靜止的車輛，它們之間的關(guān)系即為方位關(guān)系，即這輛車位于該車道之上(Top of)。
Sensor_status是當有交通事件出現(xiàn)時，相關(guān)的智能交通傳感器的檢測信息，當用戶需要讀取傳感器的信息時，可以直接讀出。這里的Traffic_sensor_node也需要引用Traffic_sensor_metadata中的Traffic_sensor，避免傳感器的重復定義。
2．4 Traffic_environment部分
這部分主要描述的是攝像頭監(jiān)控范圍內(nèi)的整個交通環(huán)境信息，包括該區(qū)域的天氣氣候情況、光照條件、該路段的總體交通信息。

3 智能交通多傳感器信息融合框架模型仿真
在此以車速檢測為例，對多種智能交通傳感器和攝像頭進行決策級融合，以驗證多傳感器信息融合框架的有效性。假設(shè)對于某一輛駛過的汽車，磁敏傳感器檢測到的車速為v1(單位：km／h)，壓電式傳感器檢測到的車速為v2(單位：km／h)，微波雷達檢測到的車速為v3(單位：km／h)，攝像頭檢測到的車速為v4(單位：km／h)，真實的車速為v(單位：km／h)，則每個傳感器檢測車速的誤差為：
△v1=v1-v (1)
△v2=v2-v (2)
△v3=v3-v (3)
△v4=v4-v (4)
根據(jù)工程實踐，磁敏傳感器、攝像頭檢測結(jié)果誤差的均值和方差都比較大，而微波雷達和壓電式傳感器則相對比較精確。假設(shè)誤差△v1，△v2，△v3，△v4分別滿足近似正態(tài)分布，且：
△v1～N(4，9) (5)
△v2～N(2，4) (6)
△v3～N(1，4) (7)
△v4～N(3，9) (8)
對4種傳感器檢測的結(jié)果進行融合，這里采用加權(quán)平均的模型對檢測結(jié)果進行融合。4種傳感器所對應(yīng)的加權(quán)系數(shù)分別為w1，w2，w3，w4，且：
w1+w2+w3+w4=4 (9)
則融合結(jié)果為：

因為△v1，△v2，△v3，△v4獨立，所以△vf也滿足正態(tài)分布，對以上過程進行仿真，結(jié)果如圖3所示。

從圖3中可以看出，經(jīng)過融合，融合結(jié)果的誤差△vf的均值較小，動態(tài)范圍也大幅度減小，因而多傳感器信息融合能有效提高系統(tǒng)的檢測精度。