随着智能交通和信息技术的发展,智能交通视频监控技术已成为ITS的主要研究课题,而运动车辆的实时检测是该课题的核心部分。其中的视频车辆检测算法可为交通行为和交通事件的推断和理解提供理论基础,一个有效的目标检测算法对于整个智能交通监控系统的运行具有重要意义。然而在实际的监控场景中,影响目标检测准确性的因素有很多,例如变化的光线、恶劣的天气和摇摆的树叶等。因此,有必要进一步研究一种在各类场景下整体检测性能更好的算法。本文结合当前运动车辆检测存在的主要问题,分析了几种较为先进的背景建模算法,找出了影响这几种检测算法性能的原因,并针对算法存在的漏检和误检问题提出了一种优化融合策略,最后通过实验加以验证。本文阐述了运动目标检测算法的研究现状,说明了背景建模在其中的重要地位。对比了三种背景建模算法的检测结果,分析了它们各自的优缺点。本文提出一种基于GP的车辆检测算法。首先,简述了遗传编程(GP)的基本概念、特点和标准遗传编程方法;其次,介绍了遗传编程过程中可能需要用到的选择策略;随后重点阐述了基于GP的检测算法设计流程。本文利用遗传编程来自动选择最好的融合策略,其中包含了图像后处理操作、逻辑操作以及简单的多数投票融合规则。特别地,该融合策略中所包含的各种操作是通过嵌入到遗传编程框架下的一组一元、二元和n元函数来实现的。本文通过对该融合策略的函数参数设置,得到一种具体的融合策略,并将其命名为GPBF-3(Genetic Programming-Based Fusion,n=3)算法,并解析了实现这种融合策略的三种树形结构。接着本文将得到的GPBF-3算法与涉及到的三种背景建模算法在ChangeDetection.net(CDNET 2014)数据库中的六类视频序列上进行仿真实验。最后将得到的仿真结果与真值标定图像进行对比,并计算得到各算法的评价指标。实验结果表明,本文提出这种基于GP的车辆检测算法是有效的,而且在大多数场景下,该算法要比本文涉及到的其余检测算法的鲁棒性和准确性都要好。