随着汽车流量与日俱增,交通问题随之而来,因此智能交通系统(ITS)的发展变得至关重要,它是对交通信息实时检测、分析和处理的重要组成部分。而基于视频图像和汽车流量统计研究是智能交通系统研究的重要课题。本文对汽车流量检测方法进行研究,通过视频图像的分析和汽车流量检测方法的研究,采用了基于AdaBoost分类器判别的车辆检测方法和提出了以车辆重心为目标的匹配特征流量统计方法,并在汽车流量统计算法上进行GPU加速处理,以实现实时性检测。本文主要研究内容如下:(1)车辆目标检测方面,以往广泛采用的方法是:基于颜色和模式的方法、模板匹配、斑点跟踪、轮廓跟踪、背景减法、高斯混合模型和光流法。但这些方法在效率或实施成本方面都存在弊端。本文根据不同车辆在车型和颜色上的差异,而车牌区域的特征具有相似性,研究了车牌信息的车辆检测方法,通过离线学习,训练检测车牌区域Adaboost分类器。首先,监控视频车辆自动检测方法提取感兴趣的区域,进行运动目标建模;然后,通过滑动窗口检测车牌区域目标。在感兴趣区域内提高训练分类器分类能力,并使用聚类方法合并目标车辆的位置信息。(2)运动背景建模方面,本文分析了几种建模方法,高斯混合建模方法检测效果较好,缺点是运算量大,实时性实现难度大。文章使用CUDA编程技术,对高斯建模算法进行了研究及并行化。实验表明,对算法并行化后,与串行算法对比能够提高6倍左右的加速,加速效果明显。(3)车流量统计计数,分析改进了对运动目标车辆的特征提取。特征提取之后对图像进行二值化,获取目标车辆信息和数据流,之后对目标区域的二维边界进行模型划分。选择适合检测目标区域的匹配准则,统计车流量。本文的算法不但检测目标准确、检测效率高,并且可以实现交叉车道计数和多车道计数。实测数据表明:本文的算法能够准确检测车流量,随着时间推移,也能计算出一段时间内的汽车流量数据,统计效果稳定,实际测量精度达到95%以上,上述方法的实验结果证明了本文的算法在效率和实现成本上都有满意的表现。