实时、准确的获取交通路况的各种参数,是智能交通管理的前提。视频监控方法通过分析视频图像序列,对交通目标进行检测、识别和跟踪,并对其进行行为判断。与其他检测手段相比,视频监控方式可以获得更多路况信息,有利于实现交通管理的智能化,具有很大的发展前景。本文主要研究了基于视觉技术的车辆检测的基本理论和关键技术。智能交通中交通检测与信息采集已经成为计算机视觉应用的一项重要课题,而运动车辆的自动检测、识别与跟踪其中最基础的部分。本论文针对车辆的自动检测、粘连情况下的车辆分割做了探索和研究,提出了新的方法,通过实验证明了新方法的有效性。主要包括以下方面:1、论文介绍了图像分割、去噪、特征描述及提取的基本方法。在背景差分方法的基础上,应用基于统计平均的背景差分方法,更新背景图像,获得车辆前景。2、通过对各种环境下对采集到的大量的车辆样本和非车辆样本的训练,利用Haar-like特征,采用AdaBoost算法训练得到识别车辆的级联分类器。通过对比实验,提出离线训练时的优化方法,证明了此算法检测车辆检测速度能够达到实时检测的要求。并通过离线训练模块得到的强分类器,对采集到的道路图像进行实施检测与判断。3、针对视频中车辆图像粘连的情况,利用轮廓的几何信息,提出基于凹点的车辆粘连分割方法。该方法同过检测单连通区域内凹点的可能,通过凹点数目和凹点连接线(分割线)的连接规则,给出不同情况下车辆分割的效果图。在粘连图像分割的基础上,提出多目标跟踪时的新的跟踪策略。最后,论文分析了使用AdaBoost算法进行车辆检测存在的不足;基于凹点的车辆分割提高普遍适用性、鲁棒性还需要进一步研究。