如今,伴着经济的快速发展,汽车数量与日俱增,使得道路交通承受着巨大压力,构建更加完善的智能交通系统迫在眉睫,交通信息的提取、处理以及分析对于实现交通系统的智能化至关重要。而基于视频的车流量检测技术正是智能交通系统研究的重要课题。本文在分析现有算法的基础上,对实际交通场景下车辆的检测、跟踪和统计做了相关研究,研究内容包括以下几个方面:运动车辆检测方面,实现了一种基于概率分类器的运动目标检测方法,利用每个像素点在连续帧的亮度矢量建立背景和前景概率模型,最后,依据这些概率将每个像素划分为背景或者前景,从而实现运动车辆的检测。运动车辆跟踪方面,研究了一种基于粒子滤波的目标跟踪算法,利用K-means算法对粒子进行聚类;然后借助背景信息和目标凸包分割或者合并聚类,来解决多目标粘连和单目标分离的问题,保证聚类与车辆一一对应;最后,通过对比相邻帧中粒子近邻的颜色直方图的相似度来跟踪运动车辆。车流量统计方面,基于虚拟检测线的车辆计数算法不可避免地会出现漏检和误检问题,针对这一问题,提取并结合了两种图像信息:目标与检测线相对位置信息和检测线像素值变化信息,提出了一种车流量分割计数方法用于提高准确率。首先确定车辆和检测线的相对位置,然后结合检测线上像素值的波形变化规律对车辆数目进行统计。这种方法可以极大程度地减少车辆漏检和误检问题。利用Visual Stdio 2010并结合OpenCV开发了一个测试系统来实现本文研究的算法,并且利用实验来检验算法的实际效果。我们选取多种不同场景下采集的交通视频,并对其进行了测试和结果分析,实验结果表明,本算法在准确性和稳定性方面都达到了理想的效果,各车道的准确率均在95%以上。