下面將闡述語義描述框架的各個組成成分：
2．1 Video_metadata
Video_metadata主要是對每一幀視頻做一般性描述，分為視覺元數(shù)據(jù)(Visual_metadata)和語義元數(shù)據(jù)(Semantic_metadata)。這部分數(shù)據(jù)并不包含視頻內(nèi)容本身。視覺元數(shù)據(jù)主要包括格式、大小、分辨率、顏色深度、壓縮方式，語義元數(shù)據(jù)主要包括文本標注、時間、地點、該視頻幀編號(Frame NO．)。
例如某一幀視頻的Visual_metadata描述如下：

2．2 Traffic_sensor_metadata
Traffic_sensor_metadata主要描述的是該路段所布設(shè)的智能交通傳感器的信息，包括布設(shè)了哪些傳感器，該傳感器所處的位置，傳感器的功能。這部分描述也不包含視頻本身的信息。加入這部分描述是為了將多傳感器的信息內(nèi)容整合起來，便于用戶查詢整個系統(tǒng)的信息。
例如對于磁敏傳感器信息描述如下：

2．3 Video_DS
Video_DS是對攝像頭采集到的某一幀視頻信息進行語義描述，這部分是整個語義描述框架的核心，直接影響到用戶的信息檢索。這部分的主要任務(wù)就是描述視頻中所出現(xiàn)的交通對象和視頻中出現(xiàn)的交通事件。其中Video_object_set表示的是視頻中所出現(xiàn)的所有交通對象的集合。在每一幀視頻中，提取的交通對象分為4類：車輛(各種機動車和非機動車)、行人、道路(單行道、雙行道、左拐車道、右拐車道)、交通標識(車道線、停車線、交通信號燈)。