智能交通系统近些年得到快速发展,其关键技术是运动车辆的检测与分类。基于压力传感器等传统的检测与分类技术存在安装、维护成本高昂等缺点,而基于视频图像的车辆检测与分类技术能克服上述缺点。现有基于视频的分类技术主要归结为四类:车牌识别法、基于车辆几何特征分类法、基于车辆外形轮廊匹配法与基于PCA和LDA的代数特征法。车牌识别法受车牌信息库与遮挡车牌情况的限制;几何特征(长,宽,高等)分类准确率低下,只适用于粗略分类;基于提取外形轮廊进行模板匹配的方法,实际应用中往往难以提取到完整轮廊,导致分类准确率不高,并且只适用于轮廊信息明显的侧面视角监控视频;基于图像低阶信息的代数特征在应用上简单,且不受监控视频视角的影响,但同样存在分类准确率不高的问题。车辆分类是交通监控系统的关键,本文将盲源分离算法引入到车辆分类问题的研究中,利用ICA能够去除信号高阶统计相关性的特点进行车辆图像的特征提取。通过实验分析ICA的两种结构所提取得到的车辆特征在分类性能上的优劣,实验验证ICA模型提取的车辆特征在分类性能上要优于传统的PCA与LDA算法。在此基础上,提取车辆的几何特征(长与宽的和)并根据车辆在图像中的位置对该特征进行修正,并将该特征用于对车型大小进行预分类,结合代数特征,构建二次分类系统。基于几何特征与代数特征的二次分类系统,能进一步提升车辆分类的准确率。运动车辆的检测是分类的基础,本文针对道路监控视频特点,对三帧差法进行改进。针对运动车辆表面颜色比较均匀一致或者车身颜色与背景路面颜色相近的情况,传统三帧差法无法提取到完整的车辆图像区域,改进的三帧差法对这些情况具有更好的适应性并保持了运行速度快的优点,能满足实时性的要求。在运动检测中,基于正面视角的道路监控视频,前后车距较小时检测会误将两辆车当作一辆车,提出使用形态学腐蚀算子进行粘连车辆的分离,通过定位两辆车的中心进行车辆图像分割。本文初步设计并实现了一个基于OpenCV与VS2010的道路监控系统,该系统可以实现运动车辆的检测、跟踪、计数与分类功能。