随着计算机技术及数字图像处理技术的快速发展,基于视频的智能交通控制系统成为目前交通控制的主流。智能交通控制系统提取运动目标需要建立良好的背景模型。本论文主要对基于视频的背景建模方法进行了较为深入的研究,对智能交通运动目标检测具有重要的理论意义和实用价值。本文首先介绍了研究课题的背景及现状,分析了现有背景建模方法中存在的局限性。针对自适应混合高斯模型虽然能够较好的解决多模态下的背景问题但仍不能满足实际应用不能在光线突变的情况下检测到运动目标的缺陷,结合混合高斯模型和图像边缘信息,提出了一种新的背景建模方法基于边缘的混合高斯背景建模方法,同时采用自适应动态调整混合高斯模型的学习因子,加快了均值和方差的收敛速度,通过实时的背景更新技术,在光线突变的情况下获取良好背景的同时较好的检测到了前景运动目标,该方法能够适应于户外复杂的环境,准确率高,鲁棒性强,有着广泛的适用性。鉴于背景颜色或像素灰度符合高斯分布,本文研究了基于像素级和基于对象级的扩展高斯背景建模方法,通过采用不同的更新策略,此算法能够较好地适应光照条件变化而且能够适应背景场景的变化。非参数的核密度估计不需要任何关于模型的先验知识,在运动目标检测中有较广泛的应用前景。本文进一步研究了基于贝叶斯统计的非参数背景建模方法。充分考虑复杂环境背景变化时域和空域的局部相关性并根据背景像素变化的特点,建立不同的特征向量,并运用核密度函数对特征向量的分布进行概率统计,并在贝叶斯判据框架下进行背景建模和前景目标提取。有效的解决了光线突变情况下目标提取的问题。本文所研究的上述背景建模方法,仿真实验表明,在不同的应用场合能够在环境发生变化的情况下保持良好的背景模型,同时能够有效地检测到运动目标。提高了算法的实用性及鲁棒性。