智能交通系统中的交通检测与信息采集技术目前已成为计算机视觉领域中的一项重要课题。而以视频图像处理、分析为依据的运动车辆检测技术则是该系统应用中的最基础而又关键的环节。本课题对该项技术进行了探索和研究,在原有的基础上提出了新的思想,并通过实验验证了检测算法的有效性。文中所做的主要工作包括以下几个方面：首先,文章介绍了课题的应用背景,并研究了当前的发展现状,针对现阶段中各种目标检测算法的优缺点,选择主流的背景减差法作为课题的主要研究方向。而背景建模方法作为背景减差的核心内容,也是本文需要探讨的重点。在对多种背景建模方法比较后,采用了混合高斯分布来模拟初始背景,能够较好地描述背景的多模态特征,但通过实验观察到混合高斯模型在特定的复杂场景下仍然存在一定的局限性。其次,针对车辆缓慢运行情况下混合高斯模型将前景融入背景而出现的“虚影”现象,提出了一种结合帧间差分的自适应混合高斯模型的改进算法。在背景建模的初始判别阶段,通过间隔选取图像帧进行差分的方法,可以迅速地检测出运动变化区域,然后对划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的“虚影”。这种改进的算法适应于复杂场景的环境,对车辆快速或缓慢运行均有较强的适用性,而且相比较传统算法其运算效率高,鲁棒性好。最后,针对目标检测中车辆颜色与场景像素灰度相似的情况下轮廓丢失的现象,提出了一种基于边缘检测的混合高斯模型,通过先对帧差后得到的结果进行canny边缘检测,然后与背景减差提取的前景进行逻辑“或”操作,最终得到较为理想的前景图像,保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果。