视频运动汽车检测作为智能交通系统中最基础的部分,其结果直接关系着下一步车辆跟踪、识别及行为分析等语义信息理解的优劣。运动汽车的检测可以实现交通参数的提取并能进一步自动检测交通事件。但在一个室外的车辆检测系统中,经常会有一些外界的因素比如摄像头的抖动、光线的变化、树叶的摇摆等影响到检测的精确度。如何在室外复杂环境中实现对运动汽车实时、准确的检测与提取是本文要研究的重点。针对背景差分法易受外界复杂环境影响的不足,本文提出改进的K-均值聚类算法来对复杂环境下的背景进行建模,将室外场景中的噪声、摄像机的抖动等多模态分别用K个子类来描述,通过比较任意样本与该像素位置处的子类中心之间的距离,对各个像素的观察值进行聚类,并在聚类过程中逐步确定其类别数。一段时间的学习之后,样本数最多的子类就构成了背景模型。即使在运动车辆一直存在的场景中也能很好地提取出理想的背景。对于场景背景中的车辆突然开始运动或者车辆突然驶入当前场景并作为背景停留的情况,本文首先采用背景差分法检测出运动变化的区域,再采用canny算子检测出当前场景中运动车辆的边缘轮廓,将两种方法结合起来增强了检测系统的鲁棒性,抑制了虚假运动目标的出现,提高了检测的准确性。考虑到室外环境中阳光会使车辆产生阴影,本文采用HSV空间来对阴影进行检测与去除,取得了很好的效果,进一步提高了运动车辆检测的精确性。针对传统snake算法对初始轮廓要求较高的问题,本文将之前改进算法粗分割得到的前景车辆边界作为改进snake算法的初始边缘轮廓,使得在应用snake模型对复杂图像进行分割时减少了人工的干预。同时将Perona-Malik各向异性去噪模型引入到GVF模型当中进行车辆轮廓的提取,克服了传统外力场不能进入车辆图像凹部的缺陷,而且对初始曲线的约束较少,具有良好的鲁棒性。最后,采用现场交通视频图像对本文算法进行了仿真实验,并获得了较好的检测效果,验证了本文算法的有效性。