在现代社会,地面交通的快速发展所产生的交通问题日趋增多。为了能够及时准确地掌握所监控路口、路段周围的车辆和行人流量,以及交通治安等情况,现已大量使用了视频监控系统。作为智能交通系统的一个重要组成部分,其重要性日趋凸显。然而,伴随着新的交通基础设施的不断兴建,车辆和行人流量的不断增加,监控系统越来越庞大,监控信息量也越来越多。单纯的依赖有限的人力资源来实现实时、全面的监控,已成为不可能的事情。因此,研究以计算机视觉技术为支撑的交通视频分析技术具有重要意义。本文以高速公路的监控视频作为数据源,对智能交通监控系统的关键技术开展相关研究。具体研究内容如下:在视频图像预处理方面,针对高速公路监控视频受雾气影响较大的特点,本文研究了基于暗原色先验理论的去雾算法,明确了该算法的优缺点,并在此基础上,采用了一种基于暗原色先验理论和图像小波变换的去雾算法来对监控视频进行去雾处理。通过小波变换对雾天图像进行分解,得到图像的低频和高频分量,然后采用暗原色先验理论对图像的低频部分进行去雾处理。实验结果表明,该方法能够有效的减少算法的时间消耗,提升了算法的执行效率。在运动目标检测算法方面,本文选用背景差分法对视频图像进行处理。首先采用自适应高斯模型建模方法进行背景建模;然后将获取的背景模型同视频帧图像进行做差运算,得到差值图像;随后依次使用自适应二值化和数学形态学等方法对差值图像进行去噪处理;最后采用5*5的区域搜索算法来对运动目标进行提取操作。实验结果表明,本文所采用的方法能够准确的检测出运动目标。在运动目标跟踪算法方面,由于前期进行图像预处理时,算法存在一定的时间消耗,为了保证整体算法的实时性,本文采用了一种基于卡尔曼滤波的特征匹配跟踪算法。首先,对检测出的运动目标进行特征提取操作,获取运动目标的大小、形状、中心点位置和运动估计等特征信息;然后,在卡尔曼滤波器的预测区域内进行目标搜索,并按照一定的目标匹配规则对搜索到的目标进行匹配;最终选择出最优的匹配目标,实现目标的跟踪。实验结果表明,该方法的实时性相对较好,并且能够准确的实现运动目标的跟踪。