雾霾导致道路能见度低,严重影响着交通监控,因此研究图像去雾方法对道路交通视频监控具有重要的理论和应用价值。结合交通视频监控项目的需求,本文着重研究了交通图像去雾方法及其在交通监测中的应用,并完成了仿真验证。所做的主要工作如下:(1)针对现有去雾方法缺乏检测图像是否含雾的过程,导致原本无雾的图像处理后引入更多噪声信息,不利于图像的后期处理问题,在研究Alexnet网络的基础上,结合迁移知识,设计了一种基于Alexnet迁移网络的含雾图像分类方法,分类识别出交通含雾图像,提高了图像的去雾效率。通过仿真实验,验证了该方法的分类准确性。(2)针对图像去雾后天空或白色区域存在颜色失真问题,设计了一种天空或白色区域自适应处理方法,通过分割图像,构造相应的自适应修正函数,改善该区域的复原效果,提升了整体图像的对比度。针对近景区域去雾后容易出现细节模糊产生“噪声斑块”等问题,设计了一种改进的梯度双边滤波透射率优化方法,通过细化透射率,改善了近景区域的细节处理效果。(3)为了进一步改善去雾方法的鲁棒性和适应场景,将天空或白色区域自适应处理方法和改进的梯度双边滤波透射率优化方法融合成基于改进梯度相似度核的自适应去雾方法,并将其应用在交通含雾图像的处理中。通过仿真实验,验证了该方法能够有效提高交通含雾图像的去雾质量,具有较好的鲁棒性和可靠性。(4)针对雾天交通图像匹配精度低,导致交通监测效率下降等问题,设计了一种雾天改进SURF交通图像匹配方法。首先进行去雾处理便于更好的提取图像特征;然后对提取到的特征点快速匹配;进一步利用双向匹配完成图像精确匹配,并使用改进RANSAC算法剔除误配点,提高图像匹配精度。通过仿真实验,验证了该方法的有效性和实用性。