随着我国经济的快速发展,城市机动车规模快速增长,随之产生的城市交通问题日益严重,成为困扰城市可持续发展的重要问题之一,而智能交通系统(Intelligent Transport System)的出现为解决城市交通问题提供了新的思路与手段。利用机器视觉技术的处理速度快、信息含量高等优点缓解交通拥堵,提高路网的通行效率已成为智能交通系统领域的研究热点之一,具有较高的理论价值与实际意义。本文基于城市交通视频图像处理与机器视觉技术,研究背景为“南沙区连续流交通管控平台”智能交通系统及视频交通信息智能检测系统软件,分别对城市交通的静态及动态场景进行了相关研究。主要的研究内容有:(1)交通场景中常见的图像处理方法;(2)针对传统传感器的交通拥堵检测成本高、维护难度大、检测率低等缺陷,提出一种基于图像纹理特征的交通拥堵检测算法,该算法将交通拥堵与图像纹理特征建立联系,考虑暗光状况下的检测,能够根据图像颜色信息对车辆区域自动标定,减少纹理特征提取的时间;(3)针对Kalman滤波预测与Mean Shift的车辆跟踪算法在目标遮挡及目标速度变化快等情况下跟踪率不高的缺陷,提出一种二者结合的改进算法,该算法能够区分目标遮挡或运动状态突然变化导致的Bhattacharyya系数较小的原因,从而提高车辆跟踪效率;(4)针对HOG特征+SVM的传统行人检测算法在复杂交通场景中效果不理想的缺陷,提出一种基于HOG-PCA+Adaboost结构的行人检测改进算法,该算法通过PCA对特征向量进行降维处理,同时使用自适应增强的算法大量减少机器学习的时间。最后本文的算法采用VS2010和OpenCV作为研发背景,并形成了实际应用产品,实际应用过程中发现改进算法能够取得很好的效果,具有较高的工程应用价值。