车载视频监控系统是计算机视觉、模式识别、信号处理、人工智能、机器学习等多学科相结合的产物，通常由车载终端、无线网络子系统、中心管理平台三部分组成。本文主要研究车载终端视频图像的稳像采集、视频图像的增强、视频图像中运动车辆的检测与跟踪和视频图像的压缩编码等关键技术。车载视频监控系统的车载终端通常安装在行驶中的汽车室内，车辆的随机振动和颠簸会导致采集到的视频图像存在视觉上的随机抖动，这种随机振动给驾驶员的观察和后续图像处理造成困难；贮存视频图像的SD卡容量大小的受限；车内外环境（光线弱，雾霾天气、夜间天气等）变化等诸多因素的影响都会导致采集到的视频图像不清晰并存在大量的噪声；智能车载视频监控系统已成为学术界研究的热点，人们往往关注视频图像中的运动目标及其行为而很少关注其中的风景，如何从复杂的动态背景中提取出目标位置、外观和运动轨迹等重要信息供用户查看与检索，并为高层视频理解提供基元信息，这是运动车辆检测与跟踪的任务所在。本文对车载监控系统采集到的视频图像进行稳像、增强、运动车辆检测与跟踪以及压缩编码等过程提出了一系列相应的改进算法，主要的研究工作内容如下：（1）绪论部分。概述了车载视频监控系统的功能，技术难点、系统构成及其发展趋势，阐述了车载视频监控系统中车载终端的视频图像处理相关算法的研究现状和发展趋势，指出了本文研究的背景、意义、技术路线、论文结构。（2）车载视频图像稳像算法。提出了一种适用于车载视频监控系统中的基于优化的图像子块匹配的数字稳像算法，首先阐述了传统图像子块匹配法的基本原理、算法流程和车载视频图像局部运动向量的特点，分析了视频背景的变化对图像局部运动向量的影响，然后根据图像不同区域局部运动向量的特点，从图像中心区域提取匹配子块，这样就可以减小视频背景变化对块匹配算法精度的影响程度。实验仿真表明，本文提出的该算法能够明显降低视频背景变化对稳像结果的影响（与传统的块匹配法相比）。（3）视频图像增强算法。根据人眼视觉特性，提出了一种适用于雾霾等恶劣天气及夜间退化图像的多尺度Retinex增强算法，该算法与同态滤波、HE、MSR方法进行比较，实验与仿真结果表明该方法改善了图像的动态范围，对比度和清晰度得到很大提高，图像颜色也得到有效地恢复。同时也提出一种适合于夜间图像增强的算法，该算法将夜间采集到的图像从RGB颜色空间转换到HSV颜色空间，将亮度分量进行全局自适应调整，之后由三边滤波器提取保持边缘的照度分量，并对其照度分量进行压缩以增强图像局部和细节的对比度，图像颜色恢复的处理由饱和度分量增强来完成，提出的全局亮度自适应调节函数能够使图像的黑暗区域和高亮区域的动态范围得到有效地拉伸，三边滤波器提取亮度图像的照度分量，克服了增强过程中图像边缘模糊或钝化现象，并与Gamma压缩、梯度域、双边滤波等方法进行比较，该方法有效地去除了强光区域的光晕现象，图像的细节得以加强，颜色恢复也得到实现。（4）视频图像中运动车辆识别算法。首先，提出了用来检测动态场景中运动车辆的高斯运动模型，研究了运动车辆与动态背景的运动向量之间的差异，并采用本文提出的2个高斯运动模型分别对运动车辆与动态背景的运动向量进行建模，构建贝叶斯框架将场景中的运动像素分类为运动车辆和动态背景。实验结果表明，高斯运动模型能在各种动态场景中有效地检测出运动车辆，鲁棒性好，在解决动态背景干扰这问题上，本文提出的算法明显优于背景差法和高斯混合模型。（5）视频图像压缩编码算法。针对以往压缩编码算法生成码流非嵌入式和编码效益低问题，提出了基于优化块划分的匹配追踪MP编码算法（BPOMP算法），从原子库的构造和稀疏分解这2个方面来讨论了基于冗余原子库的MP分解问题。该方法充分利用了匹配追踪MP位置分布和原子能量的特性，对原子位置和原子系数参数进行了有效地编码，编码效率得到较大幅度地提高，并生成嵌入式码流，在低到中码率段获得了与JPEG2000和SPIHT相当的客观率失真性能和更优的主观质量，体现了稀疏分解的优势。另外，该方法在取得优良编码性能的同时，保持了以往MP图像编码的优势，提供了比传统方法更灵活的质量和分辨率的伸缩性，非常适合于车载视频监控系统的视频图像压缩。（6）最后总结了本文主要的研究内容和取得的成果，指出本文研究内容中的不足之处和下一步拟研究方向和内容。