当前,智能交通系统是计算机视觉的一个重要研究方向。与传统方法相比,智能交通系统具有成本低、性能好、功能多等优点。视频车辆的检测是智能交通系统的核心技术,也是智能交通系统中其他技术的基础。由于运动车辆检测技术的复杂性,该技术仍处在起步阶段,需要不断的研究并加以改进。本论文针对车辆检测中一些关键问题进行了探索和研究,提出了新的方法,并通过实验证明了新方法的有效性。主要研究包括以下几个方面:1.由于对车辆检测需要比较清晰的监控视频图像输入,因此图像增强技术作为对图像的预处理,起到很重要的作用。所以本文对图像增强技术进行研究。首先介绍视频图像增强中的两种常用算法(直方图均衡化法及钝化算法),并针对现有的算法对图像局部细节增强效果不足的缺点,提出结合自适应阈值图像选取和非线性增益算子的图像增强方法。通过与已有的算法的仿真比较,证明本算法取得更好的增强效果。2.在运动车辆的检测中,由于受到光照变化、恶劣天气、摇动树木等运动背景的影响,无法准确地检测出运动车辆,并且无法避免动态背景造成的检测虚警。通过对运动背景和运动车辆的实验分析发现,动态背景和运动车辆的运动向量具有不同的特征分布。本文根据这一特点,在高斯运动模型法[32]的基础上,对动态背景和运动车辆分别进行运动向量建模,进而利用序列的帧内信息,引入修正因子,最后使用贝叶斯算法判断运动像素属于动态背景或是运动车辆。通过与常用运动车辆检测算法实验比较,本文提出的基于运动向量模型的运动车辆检测方法具有更高的车辆检测精度。3.在图像的帧内存在大量的车辆的信息,对于帧内的图像分析、处理,特别是对特征信息的提取,是对基于帧间信息的车辆检测算法的有力补充,同时可以有效地弥补本文所提出的运动车辆检测算法在细节检测上的不足。所以,本文引入特征提取的方法,并结合基于运动向量模型的车辆检测方法,实现更为精确的运动车辆检测。