随着汽车保有量的不断增加,交通拥堵等问题日益严重,人们开始着力于研究智能交通系统,充分利用道路资源,缓解交通压力。智能交通系统中对车流量的统计是评价交通拥堵状况的一项核心工作,通过对交通拥堵状况的评价来合理分配道路资源。而复杂环境下,车辆检测的不准确会给车流统计带来直接的影响,导致统计误差,进而影响到整个智能交通系统的性能。因此对复杂环境下车辆检测的研究具有重要理论意义和实际应用价值。复杂环境是指雨雪天、夜间及车辆遮挡情况。在雨雪天及夜间的车辆检测目前已取得较好的效果,本文针对车辆遮挡情况进行研究。对当前遮挡检测算法无法同时保证实时性、检测率与多车辆遮挡处理的问题做了深入分析,采用了基于矩形模板的车辆遮挡检测算法。该方法首先使用面积比率,快速筛选出明显遮挡车辆。对无法判断的车辆采用特征点的方法进行检测,进一步提高了遮挡检测率。检测到遮挡时采用矩形模板特征点进行分割,通过车辆外围的特征点,可以处理多辆车遮挡的情况。矩形模板的简易性,使得检测分割过程十分迅速,可以满足实时性。此外,遮挡检测方法依赖于前景目标轮廓的完整性,本文针对ViBe前景检测算法查全率不高而影响前景检测结果完整的问题,采用了一种改进的算法,该算法通过将灰度背景模型与颜色空间背景模型相结合,并使用了像素级与帧级相结合的背景模型更新算法,大幅提升了前景车辆的检测效果。实验结果表明本文的遮挡检测算法可达到91.02%的检测率,且可处理多车遮挡,系统实时性测试结果在Core 2GHz处理器上,320×240分辨率的监控视频的平均每帧处理速度为23ms,满足实时性要求。与Heidari快速算法相比检测错误率降低了50%,且具备了处理车道中多辆车相互遮挡的能力,而平均每帧处理速度仅增加了2ms。与CHIU高检测率算法相比检测率只降低了3.03%,但是平均每帧处理速度减小了50%。本文的遮挡检测算法在满足实时性的前提下,具有高检测率且可处理多辆车遮挡的交通场景,可应用于实际的交通车流统计等场景。