交通检测是智能交通系统中最基础的一步，从视频序列中准确地检测出车辆目标物是交通检测的一个重要研究内容，也是智能交通领域和计算机视觉领域的一个研究热点。目前已提出若干运动检测方法，最为典型和常用的方法包括光流法、帧间差分法和背景减除法等。基于高斯混合背景模型的背景减除法是进行运动车辆检测的常用方法之一，它是多个单高斯模型的组合。单高斯模型描述的背景模型单一，不能很好地描述背景中存在的扰动，特别当背景光照等环境因素发生改变时，单高斯模型难以适应这些改变。高斯混合模型虽然能适应缓慢变化的光照，但对于突变性的光照变化却不能很好的适应。本文针对突变的光照对高斯混合模型影响进行了探讨，并研究了基于HSV颜色模型的高斯混合改进算法。当光照发生突变时，背景更新速率设置的不合适导致突变的光照也被误认为前景，背景不能及时地更新，致使整个图像的像素值在短时间内发生大幅度的变化，前景结果出现大量虚假目标。由于光照突变可认为仅影响了HSV颜色模型中的V分量，而对H和S分量没有明显影响，因此本文采用V分量改变的平均值的VPa作为判断发生光照突变的判定标准；根据VPa的大小把光照突变分为较小波动、较大波动和严重突变等三种情况。在较小波动时，只对背景模型进行更新；在较大波动时，增加背景模型的更新率，再更新背景模型；在严重突变时，首先对该帧图像的V分量根据光照变化进行整体上的增加或减少，而保持H和S分量不变，在将修改过的图像转换回RGB颜色数据，以避免由于整幅图像光照情况的强烈改变而造成的RGB数据的强烈改变，从而避免由于背景未及时跟上光照改变而造成大量背景区域被误判为运动目标的情况。实验结果表明了算法的有效性。论文介绍Kalman滤波的跟踪方法和Mean-shift目标匹配算法，以及通过两者的结合来完成目标跟踪的方法并予以实现。论文对视频中运动车辆检测与跟踪软件进行了设计，并利用OpenCV图像库在Visual C++2008中进行了软件的实现。该软件不仅能演示原始视频及检测与跟踪的视频结果，而且提供了若干检测与跟踪算法，包括论文所研究的改进的背景减除法。此外，用户还能在软件中通过交互式操作设置感兴趣车辆的基准运动轨迹，以供实验结果评价与对比之用。