基于视觉的智能交通监管系统对于维护交通秩序,提高司机的安全交通意识,保障人民生命和财产安全发挥着重要的作用。本文对基于视觉的智能交通监管系统关键技术进行了研究。首先,针对树枝摆动等波动式干扰问题,在分析研究典型波动式干扰时间特性和空间特性基础上,提出一种基于时空信息的运动目标检测方法。即首先利用平均背景建模获得初始前景图像,然后利用波动式干扰在时间上的周期性,以及空间上的小范围特性,对干扰像素建立模型,从而滤除干扰前景。又针对前景区域轮廓信息不明显,空洞较大问题,利用初始前景图像进行像素补全,得到完整、准确的前景图像。对比实验表明,与现有方法相比,本文方法对于波动式干扰的鲁棒性更好,并且计算量小,与GMM算法相比,实时性提高16.8%,满足交通场景的实时性要求。其次,目前图像测距算法通常需要事先测量多个物理量,或者进行复杂标定,操作不便,并且在交通现场进行复杂的测量带来的安全隐患大。针对该问题,本文从相机安装场景出发,提出一种基于成像原理和数据回归建模的图像测距算法,从纵向和横向两个方向进行图像测距。即利用相机成像原理得到纵向距离的计算公式,然后结合车道等宽特性,利用数据回归建模的方法,计算出增益函数和横向距离,以计算出纵向距离。该算法横向和纵向测量误差分别在10.1%和14.5%以内,并且只需要事先测量相机安装高度和车道线宽度,即可对场景中的长度距离进行测量,测量过程方便快捷。再次,针对目标跟踪中的遮挡和连接问题,提出一种基于角点和轨迹预测的目标跟踪算法。首先,利用光流法对目标区域内的初始角点进行跟踪。对于出现漂移的角点,提出基于欧氏距离和角度相似度的角点分类算法将其滤除。与TLD中角点分类方法相比,本文提出的方法能够保留更多的有效角点,跟踪更加鲁棒。对于遮挡情况,提出一种基于车辆前景反馈的轨迹预测算法,利用车辆前景能反映车辆真实位置这一特性,对预测结果进行反馈和校正,从而得到准确的预测结果。实验表明,本文算法对目标连接和遮挡情况等复杂路况下的目标跟踪有良好的鲁棒性和实时性。与Camshift算法和粒子滤波算法相比,本文算法的跟踪准确率分别提高了14.7%和30.3%,与速度较快的Camshift算法相比,实时性提高了36.9%。最后,针对目前车辆轧线检测算法对于强阴影和车身覆盖等干扰情况容易导致误检的问题,提出一种基于车辆质心的轧线检测算法。首先利用运动目标检测得到车辆前景,并利用阴影去除算法滤除阴影干扰,得到准确的车辆前景区域。然后通过车辆外接矩形框和车道线的距离初步进行轧线判断。对于轧线车辆,通过车辆质心与车道线距离进一步判断是否轧线。在该算法的基础上,本文对车辆违章轧线监管系统进行了软件流程设计,并利用该系统进行了大量实验,结果表明,该系统对于强阴影和车身覆盖等干扰具有较好的鲁棒性,轧线检测精度达到93.5%以上,与传统车辆中心检测算法相比,精度提高了21.4%。