随着交通监控系统的日益普及和互联网的高速发展,以视频为基础的运动车辆检测已经成为智能交通领域的研究热点。运动车辆检测的研究虽然取得了一些进展,但还面临着以下问题:1.以深度学习为代表的运动车辆检测方法实时性较差,对硬件的要求较高,并且需要收集大量的数据集对模型训练。2.经典的光流法OF(Optical Flow)在检测运动目标时没有考虑色彩信息,所以检测效果有待改善。3.经典的OF受光照影响较大、在不同的场景中检测效果差别较大。针对这些问题,本文做了以下工作:1.针对基于深度学习的运动车辆检测方法所需硬件条件高、需要收集大量数据训练模型的问题,对经典的检测方法进行了研究,并查阅相关文献、资料实现了经典的OF和高斯混合背景模型GMM(Gaussian Mixture Model)用于检测运动车辆。2.针对经典的OF在灰度一致性假设下建立数学模型计算光流场时,会丢失图像的色彩信息,影响运动车辆检测效果的问题,提出了基于多通道光流场的运动车辆检测方法MCOF(Multiple Channel Optical Flow),以充分利用彩色图像的光流信息对运动车辆进行实时检测。与OF相比,该方法基于颜色一致性和平滑性约束建立光流计算模型,将视频序列的色彩通道进行分离和灰度图转化;灰度图和色彩通道图按一定比例融和得出新图像;新图像进行均值归一化处理后计算光流矢量并在此基础上分割、标定车辆及统计车辆数量。3.针对OF受光照影响较大、不同场景中检测效果差别较大的问题,提出了一种改进的OF与GMM相融合的运动车辆检测方法OG(Optical flow and Gaussian mixture model)。该方法在光流法中加入了限制条件,使得不同梯度点处采用不同约束,同时融合了高斯混合背景模型。通过所提出的融合算法比较目标框的数量和目标框之间的重叠面积以获取监控视频中的车辆检测信息。4.为了验证方法的有效性,实现了车辆检测原型系统。该系统在Windows 10操作系统中的MATLAB软件下设计、搭建,通过将图形用户界面中的控件与功能文件绑定在一起从而实现了交互。该系统不仅便于操作,而且节省系统资源。