基于机器视觉对汽车流量进行实时检测,对提高我国智能交通的发展具有十分重要的意义。目前,在汽车流量检测的过程中存在效率低、误检率高、速度慢等缺点,很难满足检测实时性的要求。基于此,本论文提出了基于机器视觉的汽车流量检测算法的研究,包括汽车图像处理和汽车图像特征提取、汽车图像目标检测、流量统计和交通状态判断。本文将采集后的汽车图像进行A/D转换成24位GDI位图,对转换后的汽车图像进行平滑、分割、灰度化和锐化等图像处理,其次提取处理后汽车图像的区域面积、区域周长和形心等参数,依据提取的特征参数实现汽车图像目标检测,并统计汽车流量,根据一定时段一定路段的平均流量进行交通状态判断。汽车图像目标检测依据提取的汽车图像特征,使用基于差分的方法,检测出汽车图像目标,并计算出汽车流量,其统计正确率可达98%。交通状态判断是采用遗传算法优化的BP神经网络作为判断器,将提出的交通流量参数即平均流量,作为BP神经网络的输入参数,将交通的两种状态即阻塞和畅通,作为BP神经网络的输出。训练经过GA优化后的BP神经网络,将其作为交通判断器,实现交通流量的检测,其判断正确率可达96%以上。研究设计基于机器视觉的汽车流量检测系统,通过试验实现汽车流量检测和交通状态判断。因此本文设计的汽车流量检测系统,通过试验验证了该系统满足实时性的要求,满足智能交通的发展,同时也验证了本论文提出的理论研究与设计方案的可行性与正确性。