社会经济的迅速发展在给人们带来便利的同时,也产生了一些负面的影响,道路交通问题就是其中之一。交通堵塞严重、违规驾驶、交通事故频繁发生等,这些问题都给交通管理提出了难题,因此智能交通系统的研究和设计受到越来越多的重视。而在智能交通系统中,车辆检测是一个基础部分,也是关键的环节。这一部分主要负责提取感兴趣的目标,采集道路交通参数信息等。运动目标检测效果的好坏关系到后续交通参数的计算、车辆跟踪等操作,甚至关系到整个系统的实用性和性能的好坏。所以寻求一种有效、实用的车辆检测方法是十分重要的。所以本课题的研究具有重要的理论意义和实用价值。本文首先研究了传统的车辆检测算法,如背景差分法、帧间相减法、光流法。从理论和实际应用的角度对比分析了几种算法的优缺点,背景差分法是最常用的一种运动目标检测方法,应用性较好,但是当背景和目标的灰度相差很小时,就会出现误判,导致检测失败。而且上述几种算法分割目标时,经常会会出现孔洞、目标断裂、目标粘连等,目标失真较严重,在此基础上,本文采用了在图像分割领域的另一热门研究方法—水平集方法来实现车辆检测。水平集方法在演化的过程中能够自动实现分裂、合并等拓扑变化,有效的提取目标轮廓。但是传统的水平集方法中的速度函数是基于边缘的梯度信息,在目标边界的梯度没有明显变化或者边缘模糊的情况下,就会出现目标漏检的现象。为了克服上述缺点,本文对水平集方法中的速度函数做了进一步的改进,采用了基于统计势能的水平集方法。为了提高算法的处理速度,我们将背景差分后获得的掩膜图像作为初始的演化曲线。在实际应用中,由于阴影的影响而降低了车辆识别的精度,为此,我们提出了一种去除阴影的方法,将去除阴影后的运动信息融合到速度函数中,最终,实现不受阴影干扰的目标车辆检测,提高了多运动目标轮廓提取的精度。本文在Matlab平台上对算法进行了测试,实验效果良好,在处理速度和精度上都有所提高,基本可以满足实时性的要求。