智能交通系统(ITS)是智能视频监控系统在现代交通领域的重要应用,代表着未来交通管理的发展趋势。基于视频的车辆检测与定位技术作为ITS的关键技术,处于ITS的底层,是整个系统的数据来源,其检测与定位的准确性,直接影响后续目标跟踪、特征提取及图像理解的效果,在ITS中起着决定性的作用。目前最常用的基于视频的车辆检测算法为背景差分法,其关键步骤为背景模型的建立与更新,混合高斯模型法虽能很好的描述交通场景,但很难满足实时性要求,已有的背景更新方法也很难解决背景的局部突变问题。同时,专门针对基于视频的车辆定位算法的研究很少,经常出现车辆误定位问题。本文围绕基于背景差分法的车辆检测与定位流程展开研究工作,在系统分析前人研究成果的基础上,深入研究了视频图像预处理、背景建模与更新、前景提取、后处理及目标定位等关键技术。针对交通场景的特点,提出了改进的混合高斯分布背景模型法、局部背景更新法和改进的两步扩展区域生长法,并通过实验验证了所提出的改进方法的有效性。论文的主要研究工作如下：(1)预处理阶段引入了Retinex图像增强理论,消除因天气状况、光线变化、树木晃动及摄像机抖动等因素对采集到的交通图像所带来的噪声,实验验证相对于直方图均衡化和基于全局特征的Retinex图像增强,基于局部特征的Retinex图像增强不仅提高图像对比度,而且能最大化保留图像细节。(2)针对混合高斯分布背景模型法不能满足实时性要求,本文提出了动态选取高斯模型数的改进方法,实验验证表明所提出的改进方法能够显著地提高运算效率。针对交通车辆根据交通信号灯时常改变运行状态,造成背景局部突变的问题,本文提出了局部背景更新法,并且利用灰度相关性区分静止目标与虚假目标,实验验证表明该方法可以很好的适应背景变化。(3)前景目标的提取对于视频检测至关重要,在前背景分离过程中,本文引入了最大类间方差法(Otsu)进行二值化处理,并采用形态学滤波算法对前景二值图中的孤立噪声点与实体内部空洞进行去除,实验验证表明该算法可以准确有效地提取前景运动车辆。(4)针对视频对象的平面空域连通性差,分水岭算法和区域生长法对运动目标存在误定位的问题,本文提出了改进的两步区域生长法,通过超像素集概念,扩大邻域影响范围,将属于同一运动对象的远距离像素关联起来,实现正确定位目标位置；通过标记运动目标质心,引入质心关联算法,实现目标初步跟踪。