该课题主要研究了交通流的流体力学模型参数的获取方法.交通流理论作为一门运用物理与数学定律来描述交通特性的边缘学科,现有的交通流理论都是从宏观角度采用连续介质模型即流体力学模型来描述交通状态,模型若干方程中包含了两个最重要的参数:流量与车速.为了准确分析交通流的流动特性,就必须获取具有可信度较高的交通流数据.该文从视频图像序列处理角度出发,讨论了交通流量与车速的获取方法.首先采用背景差分对运动目标进行分割.在背景差分当中,关键的技术难点在于背景模型的自适应性.如果不考虑背景模型的自适应性,将会对目标分割带来比较严重的噪声干扰,而且在实际当中也应考虑背景的变化.为了降低噪声对目标分割的影响,还要通过腐蚀或者膨胀的办法进行降噪.随后通过阈值判断来确定分割出的运动目标.其次提取出有价值的信息作为跟踪运动目标的依据.该文当中的信息主要是分割窗口大小和质心位置.在这里我们把图像序列作为一组随机模型序列,通过卡尔曼滤波器对运动目标进行跟踪.卡尔曼滤波本质思想是通过观测值与状态值之间求取最小协方差的方法,不断修正模型.运动目标的跟踪是为了确定目标的轨迹,有了轨迹就有了车速与车流量等交通参数.最后提出了系统软件解决的方案.该系统可同时检测6个车道,对通过的车辆计数;能够对监视区域内的运动车辆进行实时速度测量;可灵活设置、移动虚拟线圈,随时调整参数及灵敏度;可连续存储10天的检测数据.该课题的研究成果和算法可以转化为硬件实现方式直接运用于视频交通流信息采集软件,具有算法合理、精度高、速度快和实时性好的特点.