基于视频的车辆检测文献综述
基于视频的车辆检测技术及其在智能交通中的应用
基于视频的车辆检测技术及其在智能交通中的应用第一篇：基于视频的车辆检测技术及其在智能交通中的应用基于视频的车辆检测技术及其在智能交通中的应用智能交通系统(ITS)，随着信息技术、计算机技术、数据通信传输技术、模式识别技术、图像处理技术等学科的迅猛发展，得到了日益广泛的应用，极大提高了交通管理的智能化、科学化、规范化水平。
特别是计算机视觉技术的发展为提高交通系统智能化程度，提供了有效手段。
一、主要车辆检测技术及性能比较依据车辆检测触发方式的不同，现有的车辆检测器主要分为以下几类：电磁感应、红外感应、微波感应、超声波、视频检测方式等。
电磁感应线圈（ILD）是一种普遍采用的方式，采用感应线圈应用到车辆检测中，开始于上个世纪70年代。
其基本原理是在路面检测区域敷设感应线圈，当车辆经过线圈上方时，线圈电感量会发生变化，利用这种变换来检测是否有车辆通过。
其优点是：该技术因为比较可靠的检测车辆，技术成熟、易于掌握，计数精确，同时系统稳定，受环境的影响较少。
价格低廉。
缺点是：安装过程对可靠性和寿命影响很大，维修或安装需中断交通，破坏路面，影响路面寿命。
同时线圈易被重型车辆、路面修理等损坏，而且它的维护难度大，不易移植，线圈容易在夏季断路。
红外传感器使用发射、接收器，发射光束并接收反射光束，通过反射频率的变化进行对所需数据的检测。
优点：同一算法能够适用于昼、夜不同的时段，价格中等。
缺点：为了实现高灵敏度，可能需要很好的红外线焦平面检测器，来提高功率。
微波感应技术是利用雷达线性调频技术原理，对路面发射微波，通过对回波信号进行高速实时的数字化处理分析，实现车辆检测。
优点：能够应用于恶劣气候条件。
缺点：在车流拥堵以及大型车较多、车型分布不均匀的路段，由于遮挡，测量精度会受到比较大的影响，对安装高度要求严格，安装困难，价格也比较昂贵。
超声波检测器的原理是这样的，首先由传感器发射一束能量到检测区，然后接受反射回来的能量束，通过有关的换能装臵，将能量转换成所需的数据，依据此数据判别被检测物是否存在或与传感器的位臵。
基于视频监控的车辆检测与追踪研究
基于视频监控的车辆检测与追踪研究随着城市化进程的不断推进，车辆的数量也越来越多。
而随之而来的则是交通拥堵问题，这也成为当前城市发展中的瓶颈之一。
如何有效地管理车辆成为一个需要解决的问题。
这时，基于视频监控的车辆检测与追踪技术应运而生。
一、车辆检测车辆检测，在城市管理中起着重要的作用。
传统的车辆检测方式多采用地磁检测，但在实际应用中仍存在许多问题，例如需铺设导线，高成本等。
而基于视频监控的车辆检测技术则完美地解决了这些问题。
车辆检测技术的基本步骤是：提取视频帧图像中的车辆区域，然后计算车辆的大小和位置等信息，最后判断是否为有效车辆。
车辆检测技术的优点在于安装简单，可以适应不同的场景。
在实现上，车辆检测技术有很多种方法。
其中，基于特征描述符的检测，如速度成分法、颜色和纹理特征法、尺度不变特征变换法等，是目前应用最广泛的一种方法。
二、车辆追踪车辆追踪是支撑车辆管理的另一个重要环节。
车辆追踪的基本思路为在连续视频帧中跟踪车辆的位置或边界框，从而实现对车辆的跟踪。
车辆追踪技术可以帮助城市管理部门更好地掌握车辆的位置和行驶轨迹，为交通管理和调度提供参考依据。
车辆追踪技术面临的挑战之一是遮挡问题。
在拥堵的交通场景中，车辆之间很容易相互遮挡，从而使得车辆追踪变得非常困难。
为解决这个问题，结合双相机技术和深度学习算法，可以提高车辆追踪的准确度和稳定性。
另外，基于跟踪器的车辆追踪算法同样也是车辆追踪技术的重要研究方向之一，比如Kalman滤波器和粒子滤波器等方法，都是目前被广泛应用于车辆追踪领域的。
三、车辆检测与追踪的发展趋势近年来，随着深度学习在计算机视觉领域的广泛应用，车辆检测和追踪技术也得到了进一步的发展。
目前，深度学习算法已经可以取代传统的特征提取方法用于车辆检测。
在车辆追踪方面，基于深度学习的方法如Mask R-CNN、Siamese RPN、GM-PHD等，也相继被提出，促进了车辆追踪技术的快速发展。
此外，车辆检测与追踪技术也在逐步与智能交通等技术相结合，以实现更加智能化的城市交通管理。
基于视频图像的车辆检测算法研究概要
2009年10月企业技术开发1引言智能交通系统是当今世界交通运输领域的新型课题,它将通信技术、电子技术、自动控制和计算机视觉技术综合起来,用于交通运输管理体系,从而实现交通运输服务和管理智能化。
2主要算法分析2.1图像预处理输入图像由于图像采集环境的不同,如光照明暗程度以及设备性能的优劣等,往往存在有噪声,对比度不够等缺点。
另外,距离远近,焦距大小等又使得汽车在整幅图像中间的大小和位置不确定。
为了保证交通图像中汽车大小,位置以及图像质量的一致性,必须对图像进行预处理,预处理过程一般有几何变换、灰度化、平滑、增强等步骤。
2.2车辆提取算法2.2.1边沿提取边缘检测在图象分割、模式识别、机器视觉等中都有重要作用,人们已研究出很多种边缘检测算法,而哈夫变换和canny 边缘算子等是最经典的算法,通常还有sobel 等算法,同时人们已在这些经典算法基础上提出一些新的改进算法。
图像边沿提取的基本步骤:滤波、增强、检测、定位。
2.2.2时间间隔图像差分法它是在运动目标检测中使用较多的一类算法。
此方法对一个小的时间间隔前后的两幅图像作比较,根据其中得到的变化区域来区分背景和运动物体。
公式如下:(1其中D (x ,y 为差分图像,和分别是第k+1和k 帧图像。
该方法的优点是动态环境下的自适应性很强,但是采用此方法时,需要选择合适的时间间隔,这一般依赖于所监视物体的运动速度。
2.2.3背景差分法首先要提取无车状态下的背景图像,通过将当前图像与背景图像做差找到做为前景的运动物体———被检测车辆。
公式如下:|Current-BackGround|>Th(2其Current 是当前图像;BackGround 是背景;阈值Th作用是减少噪声和光线变化的影响。
2.3用改进的自适应阈值法进行图像分割2.3.1基于区间估计的模糊法预处理基于区间估计的模糊分割法是对原始图像分块,运用一个或几个阈值将图像的整个灰度范围,分为两段或多段,灰度级属同一段的的像素构成性质相同的区域,其中包括了目标区域。
智能交通系统中基于视频的车辆检测方法
智能交通系统中基于视频的车辆检测方法智能交通系统的快速发展和应用，改变了我们对城市交通的认识和管理方式。
在这个系统中，车辆检测是一个关键的环节，它对实现智能交通管理、提高交通效率和安全性起着至关重要的作用。
视频技术作为智能交通系统中最常用的一种检测方法之一，以其高效、准确和实时性成为了车辆检测的首选方法之一。
基于视频的车辆检测方法可以分为两个主要步骤：前景提取和车辆检测与跟踪。
前景提取通过对视频图像的对比度、颜色、运动等特征进行分析，将前景目标与背景进行区分。
常见的前景提取算法包括帧差法、背景减除法和光流法等。
其中，背景减除法是最常用的一种方法，它通过建立背景模型来动态地更新背景图像，从而准确地提取前景目标。
在前景提取的基础上，车辆检测与跟踪是接下来的关键步骤。
车辆检测与跟踪的目标是在前景目标中准确地识别和跟踪车辆，并将其与其他非车辆目标进行区分。
传统的车辆检测方法主要依赖于图像处理技术，如边缘检测、灰度变换和形态学处理等。
然而，由于车辆的形状和外观的多样性，传统方法往往存在一定的局限性和缺陷。
为了克服传统方法的局限性，近年来，基于深度学习的车辆检测与跟踪方法得到了广泛的应用。
深度学习技术以其强大的特征学习能力和自适应性在图像处理领域取得了巨大的成功。
基于深度学习的车辆检测方法主要包括两个关键步骤：特征学习和目标检测。
特征学习利用深度神经网络自动地学习和提取图像中的有用特征，将其转化为高级语义特征。
目标检测利用训练好的深度神经网络对特征图进行目标识别和位置定位，实现对车辆的准确检测与跟踪。
除了基于深度学习的方法，基于视频的车辆检测还可以结合其他传感器和技术，如雷达、红外传感器和激光雷达等。
这些传感器可以提供关于车辆位置、速度、方向等更详细和全面的信息，从而提高车辆检测的准确性和鲁棒性。
例如，激光雷达可以通过测量反射激光束的时间和强度来准确地检测车辆及其周围环境，同时还可以避免遮挡和光照条件的影响。
基于视频的车辆检测系统设计
摘要当今科技飞速发展，带来了智能交通的空前发达，也为经济可持续发展做出一定贡献。
交通运输在一个国家的经济社会发展中起着助推器的作用。
交通运输的监控与管理智能化也变得尤为重要。
基于视频的车辆检测作为智能交通系统的基石，具有直观性、大范围检测、安装和维护方便等优势，成为采集交通信息技术的有力工具。
因而视频车辆检测研究具有非常重要的意义。
本论文首先介绍了图像检测的研究背景以及发展情况，然后重点介绍了本论文中进行车辆检测的技术和方法。
该方法先对图像进行灰度值化处理，中值滤波处理及二值化处理，然后利用车辆移动的特点进行检测，最后将移动中的车辆进行加框标记。
实验结果表明, 本程序设计能够在一定的误差范围内实现对移动车辆进行检测。
且效果良好。
本文视频车辆检测系统是采用图像处理的方法进行设计，本研究有着一定的现实意义。
关键词：智能交通；车辆检测；图像处理；MATLABAbstractToday, science and technology develop quickly. And it make Intelligent Transportation System was more developed. It has also made a certain contribution for the sustainable development of economy. Transportation plays the role of booster in economic and social development of a country. It is important that make monitoring and management of transportation to be more intelligence. Vehicle Detection System that bases on the video is footstone of Intelligent Transportation System. It can watch easily. It can do a large-scale detection. And its installation and maintenance is convenient. It will be a helpful tool of collecting the information of traffic. So it has an important meaning for researching the detection of vehicles.This dissertation introduces the background of the research and the development of the situation. Than introduces the technology and method of Vehicle Detection System detailed. The method is to make the image gray processing, median processing and binary image processing at the first. Using the characteristics of vehicle moving detects vehicles at the second. Finally, sign frames on vehicles. The experimental results show that the program can detect the moving vehicles within a certain range of error and has good result.This Vehicle Detection System that bases on the video designed with the technology of image processing. It is of practical significance in this research.Key words:intelligent transportation; vehicle detection; image processing; MATLAB目录摘要 (I)Abstract (II)目录 (III)1 绪论 (1)1.1 课题背景与意义 (1)1.2 国内发展概况 (1)1.3 视频车辆检测系统概述 (2)1.4 图像处理概述 (3)1.5 本课题工作与结构安排 (3)1.6 开发工具及运行环境 (4)2 软件介绍 (5)2.1 MATLAB 概况 (5)2.2 MATLAB的语言特点 (6)2.3 基本运算与函数 (7)3 基于视频的车辆检测方法 (15)3.1 基于视频的车辆检测方法 (15)3.1.1 基于帧间差分的方法 (15)3.1.2 基于光流场的方法 (15)3.1.3 基于背景差的方法 (16)3.2 车辆阴影分割技术 (16)4 车辆目标的图像处理方法 (17)4.1 彩色图像灰度化 (17)4.2 图像分割 (19)4.2.1 阈值分割方法 (19)4.2.2 最大方差自动取阈值（自适应二值化） (19)4.2.3 基于边缘检测的图像分割 (22)4.3 基于数学形态学分析 (24)4.3.1 图像形态学处理 (24)4.3.2 实验结果比较 (26)4.4 图像填充 (27)5 基于帧间差分法的车辆检测盒计数方法 (29)5.1 帧间差分法 (29)5.2 二值化 (29)5.3 形态学滤波 (30)5.4 系统流程图 (31)5.5 分析目标物体和计数 (32)6 结论与展望 (35)6.1 结论 (35)6.2 不足之处与对未来的展望 (35)致谢 (37)参考文献 (38)附录 (39)基于视频的车辆检测系统1 绪论1.1 课题背景与意义当今科技飞速发展，带来了智能交通的空前发达，也为经济可持续发展做出一定贡献。
基于视频的车辆检测技术综述
基于视频的车辆检测技术综述学院：信息科学与工程学院专业：测控技术与仪器0902班学号：090401065姓名：孙娟摘要基于视频的车辆检测器近年来在智能交通系统(ITS)中得到了越来越广泛的应用。
本文分别讨论了常用基于视频的车辆检测算法，同时分析比较了各种方法的优缺点。
车辆跟踪的基本类型。
最后，说明了这一领域仍然存在的问题和对可能的研究方向进行了一定的预测。
关键字：视频；车辆检测；车辆跟踪引言城市智能交通已逐步得到社会各界的广泛关注，如何通过智能交通系统建设来缓解日益严重的交通问题已成为交通领域的研究热点。
车流量检测系统是智能交通(ITS)的基础部分，在城市道路建设、国道高速公路建设、隧道桥梁建设以及交通流的基础理论研究中占有很重要的地位。
近年来，逐渐发展起来了以空气管道检测技术、磁感应检测技术、波频检测技术和视频检测技术等[1~2]为代表的多种交通检测技术[3]。
常用的基于视频图像的车辆检测算法有：光流检测法、背景差法、相邻帧差法、边缘检测法[4]等。
智能交通系统（Intelligent Transport Systems,ITS)是将先进的信息技术、数据通信传输技术、电子传感技术、电子控制技术及计算机处理技术等运用于整个交通管理而建立的一种大范围、全方位发挥作用的，实时、准确、效的综合交通运输管理系统[5~6] 。
国际上一些发达国家[7~8] 从上世纪60年代起，就开始了有关智能交通系统的研究，美国是目前智能交通系统发展最为先进的国家。
2001年4月，美国召开了一次由智能交通系统行业260名专家参与的全国高层讨论会，并且制订了二十一世纪前10年智能交通系统的发展总体规划。
在此阶段，各国通过立法或其他形式，逐渐明确了发展ITS战略规划、发展目标、具体推进模式及投融资渠道等。
美、日等发达国家在推动ITS研发和试点应用的同时，从拓展产业经济视角，不断促进ITS产业形成，注重国际层面竞争，大规模应用研发成果。
基于视频的车辆检测与跟踪技术研究
基于视频的车辆检测与跟踪技术研究摘要：近年来，社会经济飞速发展，交通压力越来越大，城市道路交通管理的重要性逐渐显现出来。
所以，研究城市交通问题有非常重要的意义。
基于视频的车辆检测和跟踪技术是智能交通研究的重要方面，这是。
目前的研究热点。
本文针对基于视频的车辆检测与跟踪系统相关问题进行进一步的研究，对此领域发展前景进行分析和展望。
关键词：车辆检测；车辆跟踪；视频；智能交通随着社会经济的发展，以及信息技术的不断进步，智能交通建设的前景一片光明。
而智能交通建设的重要内容之一就是交通检测及跟踪。
从上世纪七十年代开始，车辆检测技术开始发展。
视频车辆检测技术与跟踪技术涉及的领域十分广泛，包括信号的分析和处理，以及图像的处理等各个方面。
近些年来，以计算机图像处理技术为核心的检验技术快速的发展。
视频检测主要包括车辆的检测和车辆的跟踪，通过这两个方面来明确车辆的具体参数。
目前这两种技术已经取得了很大的进步。
1.基于视频的车辆检测与跟踪概述视频车辆检测与跟踪指的是一项计算机技术，它通过使用图像处理技术来对交通目标进行检测和跟踪的。
此项技术可以对道路实时交通状况的信息，以及对交通目标进行分析，然后进一步统计在此路段上的车辆数量，另外还可以清楚的知道每辆车的行驶速度。
除此之外，此项技术还可以帮助识别不同车辆的具体参数。
在经过对道路上的车辆进行收集数据之后，将这些数据和信息再储存起来，这样在交通管理过程中，就可以利用这些信息进行分析，最终达到监测道路交通状况的目的。
目前，此项技术是比较先进的。
它有很多优点。
首先，第一个优点是检测器的安装和拆卸都极其方便和简单，可以节省大量的时间。
第二个优点是在检测的时候不会破坏公路路面，没有破坏性。
第三个优点是此项技术的检测范围比较大，因此它可以检测到特别多的信息，为交通管理提供极大的方便。
1.基于视频的车辆检测与跟踪的一般方法近年来，基于视频的车辆检测与跟踪技术受到了专家们的重视。
以下是基于视车辆检测与跟踪的一般方法，具体内容如下：2.1基于视频的车辆检测一般方法基于视频的车辆检测指的是从场景序列图像中去掉静止的背景区域，并且要找到运动的车辆区域。
基于视频分析的车辆智能监测技术研究
基于视频分析的车辆智能监测技术研究随着交通拥堵和违规行为的增加，车辆监测技术变得越来越重要。
传统的监测方法往往依赖于人工巡逻和传感器设备，但这些方法往往效率低下且成本高昂。
为了解决这些问题，基于视频分析的车辆智能监测技术应运而生。
基于视频分析的车辆智能监测技术利用计算机视觉和图像处理技术，通过对视频图像进行分析和识别，实现对车辆的自动监测和分析。
该技术可以实时监测交通流量、识别违规行为、检测交通事故等。
首先，基于视频分析的车辆智能监测技术可以实时监测交通流量。
通过对视频图像中的车辆进行识别和计数，可以准确地统计道路上的车辆数量和车流量，为交通管理部门提供准确的数据支持。
基于这些数据，交通管理部门可以根据交通流量的变化情况来调整交通信号灯的配时，从而优化交通流畅度。
其次，基于视频分析的车辆智能监测技术可以识别违规行为。
通过对视频图像中的车辆进行特征提取和行为分析，可以实时监测和识别违反交通规则的车辆，如闯红灯、逆行、超速等。
一旦发现违规行为，系统会立即发出警报，并将违规行为的视频图像和相关信息传输给交警部门，方便交警进行追踪和处理。
此外，基于视频分析的车辆智能监测技术还可以检测交通事故。
通过对视频图像中的车辆运动轨迹和位置的分析，可以实时监测交通事故的发生，并自动触发报警系统。
同时，系统还可以将交通事故的视频图像和相关信息传输给相关部门，以便及时救援和处理。
综上所述，基于视频分析的车辆智能监测技术在交通管理和安全领域具有广阔的应用前景。
该技术通过对视频图像的分析和识别，实现了对车辆的自动监测和分析，可以实时监测交通流量、识别违规行为、检测交通事故等。
相比传统的监测方法，该技术具有效率高、成本低的优势，有望为交通管理部门提供更加准确、快速和智能化的监测手段，为交通流畅和安全提供更好的保障。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于视频的车辆检测文献综述陈风超，黄静（信息科学与工程学院，测控技术与仪器0903班）摘要：首先回顾了智能交通系统和车辆检测的概念,然后对各种基于视频的车辆检测算法分别进行了详细介绍。
最后,本文提出了基于视频的车辆检测研究的难点及未来发展趋势。
关键词: 智能交通系统；车辆检测；视频Video-based Vehicle Detection Literature ReviewChen Feng-chao ，Huang jing（College of Information Science and Engineering，Control Technology and Instrument 0903 class）Abstract: In this paper,we first reviewed the concept of vehicle detection and intelligent transportation systems , then we introduced several of video based vehicle detection algorithms in detail.Finally,the difficulties and development trends of the video based vehicle detection research were presented.Key words:intelligent transportation systems;vehicle detection；vedio1 引言智能交通系统(ITS)是将先进的信息技术、数据通信传输技术、电子传感技术、电子控制技术及计算机处理技术等有效地集成运用于整个交通管理而建立的一种在大范围内、全方位发挥作用的、实时、准确、高效的综合交通运输管理系统[1]。
交通检测系统是智能交通系统的重要环节，负责采集有关道路交通流量的各种参数。
交通环境的车辆检测研究可以追溯到20世纪70年代，1978年，美国JPT (加州帕萨迪纳市的喷气推进实验室)首先提出了运用机器视觉来进行车辆的检测的方法，指出其是传统检测方法的一种可行的替代方案。
1991年，美国加州理工大学对在高速公路上运用视频方法的检测技术进行了评估，在评估报告中对当时采用的不同的视频车辆检测技术详尽地进行了分类。
1994年Mn /DOT(明尼苏达运输部)为FHWA(美国联邦公路局)进行了更详尽严格的测评，结果表明视频检测器的检测准确性和可靠性可以达到令人满意的程度。
同时随着视频车辆检测技术的发展，人们已不满足于仅仅检测出车辆，FHWA进一步利用此技术来提取交通参数，如交通流量，十字路口的车辆转向信息等[2]。
国内关于交通视频检测的研究滞后于国外，技术基础较弱，但也有不少公司做出了产品，如清华紫光的视频交通流量检测系统VS3001，深圳神州交通系统有限公司开发的Video TraceTM，厦门恒深智能软件系统有限公司开发的Head Sun Smart Viewer-II 视频交通检测器等。
当然这些产品的功能比较单一，与国外产品相比有一定差距。
事实上，与其它几种车辆检测方法相比，基于视频图像技术的方法具有直观、可监视范围广、可获取更多种类的交通参数以及费用较低等优点，因而可广泛应用于交叉道口和公路干线的交通监视系统中[3]。
车辆检测和跟踪是视频检测的主要部分，交通参数是通过对车辆的检测和跟踪来获取的，因此车辆检测和跟踪的算法对视频检测系统至关重要，而车辆的检测是跟踪的前提。
2 车辆检测作为智能交通监控系统的基础，车辆检测系统十分关键。
一个实用的车辆检测系统应满足如下要求：a) 正确判断当前时刻有无车辆；b) 完成车辆计数，提供车流量、车速等交通参数；c) 算法简单，计算量小，环境自适应能力强，能够实时有效地进行车辆信息处理。
车辆检测的目的判断是否有车经过检测区，并建立一个与之对应的跟踪对象，主要提供车流量等信息。
减少车辆检测算法的计算量和提高实时性是一对矛盾，解决这对矛盾是提高系统检测准确度和稳定度的关键，然而实际中光照的变化、背景混乱运动的千扰、运动目标的影子、摄像机的抖动以及运动目标的自遮挡和互遮挡现象的存在，这些都会影响车辆检测和分割的精度，必须在算法中考虑这些因素的影响及其去除的方法。
2.1 基于视频的车辆检测方法基于视频的检测方法主要有基于帧间差分的方法、基于光流场的方法、基于背景差的方法等。
2.1.1 基于帧间差分的方法帧间差分法[4]是基于运动图像序列中，相邻两帧图像间具有强相关性而提出的检测方法。
这种检测方法对光照变化不敏感，非常适合于动态变化的环境，而且运算简单，检测速度快，车辆定位准确，适用于实时性要求较高的应用环境。
它存在以下几个缺点：首先，它不能检测出静止或运动速度过慢的物体，对于高速运动的物体又会使得分割区域远远大于真实目标，其分割区域与目标运动速度相关；其次，如果物体内部的灰度比较均匀，相邻帧差可能在目标重叠部分形成较大空洞，严重时造成分割结果不连通，不利于进一步的物体分析与识别。
在实际应用中，帧间差分法往往是许多复杂检测算法的基础，通过对算法的改进可以将它与其它算法结合来提高整体的检测效果。
一种改进的方法是利用多帧差分代替两帧差分，如文献[5]中提出了一种自适应背景减除与三帧差分相结合的混合算法，它能够快速有效地从背景中检测出运动着的目标。
2.1.2基于光流场的方法光流场法的基本思想：在空间中，运动可以用运动场描述，而在一个图像平面上，物体的运动往往是通过图像序列中不同图像灰度分布的不同体现的，从而，空间中的运动场转移到图像上就表示为光流场(Optical Flow Field)。
光流场反映了图像上每一点灰度的变化趋势，可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场，也是一种对真实运动场的近似估计[6]。
在比较理想的情况下，它能够检测独立运动的对象，不需要预先知道场景的任何信息，可以很精确地计算出运动物体的速度，并且可用于摄像机运动的情况。
但光流法存在下面的缺点：有时即使没有发生运动，在外部照明发生变化时，也可以观测到光流；另外，在缺乏足够的灰度等级变化的区域，实际运动也往往观测不到。
三维物体的运动投影到二维图像的亮度变化，本身由于部分信息的丢失而使光流法存在孔径问题和遮挡问题，用光流法估算二维运动场是不确定的，需要附加的假设模型来模拟二维运动场的结构；在准确分割时，光流法还需要利用颜色、灰度、边缘等空域特征来提高分割精度；同时由于光流法采用迭代的方法，计算复杂耗时，如果没有特殊的硬件支持，很难应用于视频序列的实时检测。
2.1.3基于背景差的方法背景差法[7]首先选取背景中的一幅或几幅图像的平均作为背景图像，然后把以后的序列图像当前帧和背景图像相减，进行背景消去。
若所得到的像素数大于某一阈值，则判定被监视场景中有运动物体，从而得到运动目标。
这种差分法对于复杂背景下的运动物体检测效果较好，一般能够提供最完整的特征数据，计算量小，实用价值大。
缺点是受光线、天气等外界条件的影响较大。
背景差分法是目前运动分割中最常用的一种方法，在实际应用中，需要采用一定的算法进行背景模型的动态更新。
目前人们大都致力于研究如何实现背景图像的建模和自适应更新，使背景能够不断接近理想状态，以期减少场景变化对视频图像检测分割的影响。
背景建模，即通过视频序列的帧间信息估计和恢复背景。
对于背景的建模问题，常用的方法主要有：基于统计的背景模型、基于卡尔曼滤波的背景模型、基于高斯分布的背景模型等。
基于统计的背景模型最简便和直观的方法就是选择均值函数作为更新函数，称为“序列均值法”[8]，这种方法适用于背景大部分时间可见、运动目标数量少的情况。
“序列众数法”[9]是统计学模型算法中最精确的一种，但是它要对元素进行排序，计算量和所消耗的存储空间都很大，而且需要很大的值才能得到统计意义上的概率分布，因此更新图像的时间也比较慢。
基于卡尔曼滤波的背景模型，对运动物体的跟踪有很好的效果，但其最大的缺点就是计算量大，处理速度慢。
基于高斯分布的背景模型可以很好的适应光线的变化，同时可以处理多模型分布，对于缓慢移动的目标(如树枝的摇摆等)有很好的鲁棒性。
但对每个点都用一个模型来描述，需要大量的计算时间，而且存储的参数多，因此还需要不断改进。
当然，还有其它的背景建模方法，如基于特征的点匹配方法[10]，利用图像能量、高阶累积理论及块处理技术进行背景建模的方法[11]等，对于背景的重构都建立在确定性建模的基础上。
2.2车辆阴影的分割技术通过前面的检测方法，在检测出的图像中多多少少存在阴影的干扰，当阴影面积较大时还会覆盖邻近的车辆，致使算法误将多个车辆检测为一个车辆，对后期识别造成困难，所以在图像检测中必须考虑阴影的消除方法。
现有的文献中，存在很多关于阴影检测的文章和著作。
根据检测算法使用的特征，可将其大致分为五类：颜色恒常性的方法[12]、统计参数法[13]、统计非参数法[14]、确定性模型法[15]和确定性非模型法[16]等。
以上这些方法各有利弊，要针对不同的应用环境选择不同的方法来满足不同的要求。
如基于颜色恒常性的方法的假设适合于全局阴影的分割，基于颜色空间模型的方法对噪声具有较好的鲁棒性，它和统计非参数方法都可以很好的处理不同大小和强度的阴影，但统计非参数方法的处理速度相对较快，颜色空间模型的处理效果较好；确定性模型方法可以应用于特殊的环境，更多的假设可以产生更好的结果；统计方法较适合于室内环境，因为场景是恒定的并且统计描述非常有效。
2.3图像的后处理基于车辆检测和阴影分割，己经能大致显示出车辆的轮廓图，但这种分割后的图像仍然残留许多噪声点，区域边缘也不太平滑，需要图像进行后续处理。
经过运动车辆检测分割后，图像中的噪声大多是一些孤立的像素点或线，出现连续大面积噪声的可能性不大，偶尔出现的树叶扰动等干扰，其面积和要检测的车辆面积相比要小得多，可以通过设置一定的阈值除去噪声。
对于这些噪声的去除可使用的是滤波处理的方法。
现有的滤波算法很多，常用的有下几种：均值滤波、中值滤波、高斯滤波、带通(包括低通、高通、带通和带阻)滤波、数学形态学滤波等，其对不同的噪声有不同的滤除效果，如高斯滤波对高斯噪声的处理效果最好，中值滤波可有效的滤除脉冲型噪声，而且对图像的边缘有较好的保护，带通滤波对图像有平滑和锐化的作用，形态学滤波对随机噪声有很好的滤除效果，而且可以分割或连接相邻区域。
3 存在的问题和发展趋势视频检测器与传统检测器相比有其明显的优势，近年来在智能交通系统中得到了越来越广泛的应用。
虽然视频检测器有着诸多优点，但仍然存在许多需要解决的问题。