道路运输作为重要的地面运输方式,在国民生产生活中发挥着重要的作用。汽车数量的不断增长,伴随而来的道路拥堵情况也越来越严重,传统的交通运输系统已难易适应当前社会的发展。应运而生的智能交通系统用先进的科学技术对交通系统进行改造,以期能够增强运输系统各个方面的功能,降低资源的消耗。近年来,随着计算机科学的发展,基于视频的交通信息提取系统逐渐成为该领域里热门的研究方向。本文研究了一种基于嵌入式平台的视频交通监控系统并设计实现了一套用于该系统的软件方法,软件包含车流量统计和车牌识别两项主要功能。系统通过分析处理摄像机拍摄到监控现场的视频图像,识别出监控场景中的车辆,同时定位出车辆的车牌并把车牌图像保存起来。对于保存的图像,系统还会逐一进行车牌号的识别。处理完成后的数据将通过网络上传到后端的服务器上为了实现车辆量统计和车牌定位,选取了著名的Viola-Jones目标检测框架。该方法在车速较慢甚至静止时检测效果优于基于运动目标分割的方法,缺点是需要在线下进行训练,且被检测目标的类内差别不宜过大。车牌识别基于卷积神经网络,这种方法是目前深度学习方法中的较热门的方向。该方法相对于传统的模板匹配或者基于结构的识别方法具有识别更加准确,对噪音和变形的鲁棒性高的优点,缺点是工作时计算量大,而且也需要在线下进行训练。对于Viola-Jones目标检测框架和卷积神经网络的训练,本文使用了基于背景建模的运动目标分割来收集车辆样本,使用弹性形变来扩充字符样本。在文中的相应部分有这两种方法的具体介绍。本文研究的系统基于嵌入式硬件平台,在实验部分,除了罗列实验结果,同时还交待了部分针对嵌入式平台而对程序进行的一些调整。实验结果表明,本文使用的方法车牌识别率高,能够实时地统计车流量。