基于图像处理的计算机视觉技术在工业上有着较为广泛的应用,而将该技术应用于交通领域则是近年来的热点之一。机器视觉为交通系统提供了直观、方便的分析手段,交通场景中大量的信息如交通标志、交通信号以及车辆信息等均来源于视觉。因此用计算机视觉技术来处理和理解这类信息是一种自然的选择,有着广阔的应用前景。 本文以静止单孔摄像机获取的交通场景视频作为研究对象,以提取场景内的交通参数为目的,对所涉及到的背景提取及自适应更新、阴影检测等关键技术问题进行了深入的研究和分析,并在这些关键技术研究的基础上实现了一个视频车流检测模型系统。主要内容包括: 1.分析了邻帧差分和背景差分技术,通过实验比较验证了背景差分技术更适合于交通视频的运动目标检测; 2.深入研究了基于时域平均、时域中值以及基于非参数模型的背景更新方法,通过实验验证了基于非参数模型所提取的背景无论是在图像质量还是稳定性上都要优于其它两种算法;本文针对非参数统计算法时空开销过大,难于实时的缺点,在YUV颜色空间下,利用YUV颜色空间特性,实现了该模型的快速算法;此外针对直方图分析背景提取提出了一种基于块的算法,在保证图像质量的前提下,大大缩短了该类算法的背景提取时间; 3.对阴影属性以及产生机制进行了深入研究,在YUV颜色空间下初步实现了阴影检测; 4.完成了一个基于视频图像的车流检测模型系统的设计及其实现,通过设置虚拟检测线圈实现了车道车流统计、车速提取以及利用车长进行车辆类型的初步识别等基本交通参数的提取。 本文对帧差分技术、背景更新技术以及阴影检测技术的研究和讨论具有一定的普遍意义,可以应用于其它场景的视频监控系统中去。