针对传统的交通参数检测器存在的交通参数提取不足及安装、维护上的损耗问题,以车辆视频序列为研究对象,论文在已有的运动检测算法理论的基础上,改进了道路图像分割算法以及车道标志线检测算法,提出了基于道路自动识别的车辆检测算法,课题的研究在计算机视觉领域与实际应用领域都有着重要的意义。对于道路图像分割,论文提出了基于熵最大化算法与Mean shift算法相结合的技术。首先采用基于灰度图像的熵最大化算法对图像进行初始分割,提取出初始感兴趣车道区域;将初始感兴趣车道区域的梯形参数传递给Mean shift算法,作为Mean shift算法的初始参数;使用Mean shift运算,最后获得改进的感兴趣道路区域。该算法很好的弥补了Mean shift算法的实时性较差以及熵最大化算法忽略了彩色信息的缺点,算法的准确率在90%以上,满足了准确性的要求。在区域分割的基础之上,根据车道标志线的颜色与形状特征,通过改进的Hough变换算法,对车道标志线进行检测,划分出各个车道,并设置相应的虚拟检测线以及虚拟检测区域。对于运动车辆的检测,首先通过自适应背景建模与更新算法,在实时场景中构建背景,并实现即时更新,采用背景帧差法检测运动车辆,实现计数与测速、提取车辆的外形特征实现车型决策。算法在感兴趣区域内更新,算法效率高且能够满足实时性与准确性的要求。对于交通视频中的运动阴影问题,论文采用基于彩色空间的阴影检测算法,根据运动阴影与运动物体在亮度与色度上的特征,进行阴影检测与消除。将其应用到交通流统计系统当中,使得车辆的计数与车型判断的准确率有了很好的提高。论文从理论研究与实验分析两方面对基于视频的交通量检测进行了较深入的研究,并取得了一定的成果。实验证明车道提取算法的正确率在90%以上,车辆计数准确率在93%,车型分类准确率在90%左右,车速检测误差在每小时8km左右,满足了对系统的准确性,实时性要求。算法的鲁棒性、实时性以及算法的准确率等均为本研究未来的方向与重点。