随着城市发展,交通车流量迅速增长,交通拥堵问题十分严重。当今社会科学家们普遍认为智能交通系统(ITS)是解决城市交通拥堵问题比较有效的办法之一。ITS中实时获取交通参数信息有效分配道路资源是解决拥堵问题的关键,获取交通参数信息包括车流量、车速、车距等。本文在前人研究工作的基础上,借助图像处理算法、数学形态学算法及卡尔曼滤波算法等理论和方法,对车辆检测和统计方法进行研究。主要工作如下:研究了车流量统计的相关算法,总结了车流量统计过程中存在三个基本具有挑战性的问题:1)环境干扰造成图像上的噪声点增多。2)车辆停滞时漏检问题,导致车辆检测区域不完整。3)传统虚拟线框检测精度低,车流量统计准确性差。本文针对上述三个问题进行研究。1)在车辆检测中图像的白噪声点较多,导致检测画面不清晰,影响车辆的检测效果。针对此问题本文采用数学形态学的腐蚀、膨胀、开闭合运算相关算法,选取合适的结构元素,对白噪声点进行腐蚀和填充,最终消除了噪声点的干扰。2)针对车辆停滞或者缓慢运动出现的漏检和误检等问题。本文引入混合高斯背景模型,提出一种改进模型的背景参数更新方式,根据像素点的均值和方差实时更新模型,结合前一帧的车辆检测结果,对车辆的前景区域进行判定,解决了停滞车辆被当作背景的问题。对比实验表明改进算法提高了车辆检测精度,避免漏检、误检的发生。3)传统的虚拟线框算法对车辆统计存在准确度较低问题。针对此问题,本文采用卡尔曼滤波算法对车辆进行跟踪与计数,根据检测车辆区域在相邻帧之间的质心、面积、外边界最小线框面积偏差大小相近的特点,通过偏差大小的加权总和进行匹配,判断是否是同一辆车,并记录车辆信息进行跟踪与计数。实验结果表明该算法检测车辆数目相比虚拟线框算法具有较高的准确性。