由于社会经济的快速发展，车辆保有量迅速上升与城市道路发展滞后之间的矛盾日趋加剧。智能交通系统(ITS)能够有效缓解城市交通发展的矛盾，越来越受到各国政府的高度重视和大力支持，并掀起了智能交通基础理论与应用的研究热潮。交通监控系统的研究是智能交通系统的一个重要研究方向。准确实时的交通信息是交通监控的基础，直接影响着交通管理和控制的有效性。交通参数的获取有多种检测方法，基于视频的交通参数检测以其安装简单、检测范围大和信息丰富等优点正成为交通参数检测的主要手段。 本文研究了基于数字图像处理技术的实时交通监控系统的检测方法。通过单个CCD摄像机采集交通视频图像，经过图像采集卡进行A/D转换，形成计算机可以处理的数字图像数据，并且对图像进行滤波平滑和去除噪声等预处理，然后对预处理后的图像进行处理分析，得到一些交通信息参数如车辆速度和交通流量等，为交通控制提供有效的依据。 在交通参数信息采集过程中，准确获取运动目标的信息是交通参数信息采集基础。针对交通监控中的车辆检测，由于邻帧差法不能检测静止车辆，故本研究采用了基于背景图像差分法进行运动车辆的实时检测。为了消除背景图像差分法引入的阴影噪声，本文利用阴影与车辆之间的边缘信息，提出了基于车辆模板的阴影处理方法。为了获取更准确的车辆目标信息，在经过大量的实验处理分析之后，本文提出了基于灰度背景及边缘背景差分法，即综合灰度背景差分法和边缘背景差分法的结果。这种方法具有更好的稳定性，抗干扰能力较强，对环境的变化有较好的适应性。此外，还利用了背景图像的动态更新方法来提高车辆运动检测的准确性。 交通视频检测需要从视频图像信息中提取车辆目标的几何距离信息，这就需要在实际道路坐标系和图像坐标系之间建立一个视觉模型。为了简化标定运算，本文采取了摄像机模型从三维到二维的标定方法，达到系统标定目的。通过连通区域获取车长、车宽的象素值，把相应的象素值与世界坐标对应起来，获得实际的车长和车宽。为了减少计算量并提高检测的准确性，本文提出了由虚拟线圈作为触发器，开启速度检测线，检测车辆前端和车辆尾端通过检测线圈的时间信息，进而计算出车辆速度。对一些特殊状况(如车辆目标不完整、跨道行驶)进行判断，使得获取的交通参数更加精确。由于本文研究的算法是适用于交通状况良好，交通量较少，车辆行驶较快的情况，当发生交通阻塞时，算法并不适合。所以，本文还研究了如何对交通状况进行检测，以增加算法的适用性。 车型信息是一个重要的交通参数。基于标定的车型分类方法计算复杂，而且容易在测量和转换过程中引入误差。因此，本文提出了无标定的车型分类方法，即用车辆在图像中的位置代替车辆所处的世界坐标。考虑到检测的实时性要求，运动车辆的特征必须要有一定的抗干扰能力(如不随车辆的小角度旋转而变化)，而且特征量的数目不宜过多。因此，本文提出把车辆在图像中的位置和车辆的强特征值(长度象素值)作为输入，车辆的类型作为输出。通过BP神经网络进行模拟仿真，该方法具有良好的分类效果。在论文的最后对整个论文的工作进行了总结，并对所存在的问题进行了讨论。