在智能交通视频监控系统中,一个基础而重要的任务是从视频中检测并确定目标车辆,进而对车辆进行定位、跟踪,并在此基础上分析和判断目标的行为,从而做到对车辆的实时智能监控。对于固定摄像机下运动目标的检测,最常用的方法是背景差分法,此方法的关键在于建立一个鲁棒性很强的背景,即背景建模。但由于背景模型常常受到各种外界因素的影响,如浓雾天气可见度低、夜间亮度不足、阴影遮挡目标区域等,因此开发一个优化的目标检测算法面临着很多的挑战。本文在阐述和归纳各种经典背景建模算法的基础上,从算法分析和实验验证两个角度,对智能交通监控系统中的关键技术问题---背景增强、背景建模和阴影去除进行了研究。所做的主要工作包括以下几个方面:1.本文基于Retinex理论和暗原色先验知识的去雾理论分别对夜间亮度不足和浓雾天气下可见度低这两种情况下的图像进行增强,经过处理的图像能够还原出原图中的绝大部分细节信息,去雾效果明显,可以更好地满足图像后续处理的要求。2.随着高清摄像机的普及,一张数字图像的像素可以达到500万个,传统的高斯建模方式由于计算量大,往往不能实现实时处理。另一方面,固定摄像机所拍摄的图像中的运动区域往往只是所拍摄场景中的一部分,其他区域长时间处于静态,不需要高频率进行背景更新。基于以上两个原因,本文提出了一种基于局部二值模式直方图纹理描述(LBP)和混合高斯背景建模的分层次背景建模的方法,以实现运动目标的检测。该方法首先利用LBP快速进行运动区域的检测,然后再对运动区域进行精确的提取和自适应的高斯建模。3.由于检测出的运动车辆区域中常常包括着运动阴影,本文提出了一种基于统计信息的阴影去除方法,并基于车辆特征的在线加强方法,实现了运动目标的实时检测和跟踪。实验证明,本文提出的理论和方法具有较高的运算效率和提取精度。