车辆数量的迅猛增长导致交通拥挤甚至交通事故频繁发生,对交通事件进行检测能够有效地解决这一问题,而基于视频的检测方法更是重点研究领域。但是现有视频中存在很多降低检测效率的干扰,比如噪声点繁多、光照不均匀、车辆自身影响等,为降低这些干扰带来的不便,本文在国内外现有交通检测技术基础上,对检测的方法加以改进,并设计相应的原型系统。　　 本文的工作主要包括:　　 (1)针对大部分视频的低清晰度、多噪声点,降低了帧差分法检测车辆的准确性这一状况,提出一种将帧差分和Q学习相结合的车辆检测方法。首先选取合适的两帧进行差分处理,然后引入Q学习的思想,把从差分帧和原始帧中寻找车辆的最小包围框当作最优策略,同时又将寻找策略的过程细分为找到大体车身和确定车辆边界两步,当找到车辆的四条边界时完成检测。该方法能够准确地检测出车辆,同时具有较高的鲁棒性和适用性。　　 (2)针对原始Mean Shift跟踪算法在车辆行驶发生诸如车辆尺度在视觉上发生变化或者速度过快时会出现跟踪失误的不足,提出一种将车辆Hu不变矩特征融入Mean Shift算法的跟踪方法。该方法首先利用Mean Shift算法对车辆进行迭代跟踪,在跳出迭代时用Hu不变矩检测是否发生上述变化,然后针对不同的变化对Mean Shift算法做出相应调整。该方法能够更加准确地跟踪车辆,有良好的适应性。　　 (3)针对视频中噪声点难以消除和路面背景难以提取的问题,提出基于车辆平均轨迹的车道提取方法。首先将车辆中心点在每一帧中的位置通过算法拟合成一条平均轨迹;然后从视频帧中选择出合适的一帧作为背景图,对其进行简单的形态学和二值化处理;最后,将平均轨迹与二值化图匹配,提取出车道。该方法不易受到噪声点的干扰,成功率较高并且具有很强的灵活性和适应性。　　 (4)采用面向对象思想设计并实现交通检测系统。该系统由图像预处理、车辆检测、车辆跟踪、车道提取和事件检测五个功能模块组成,实现对车辆超速、慢速、逆行等异常情况进行检测并对整个交通的拥挤与否进行判断,最后将检测结果显示在日志中。