交通在国民经济和社会发展中发挥着举足轻重的作用。智能交通系统中,交通检测的信息采集已经成为计算机视觉技术应用的一项重要课题,而运动车辆的检测、分割与跟踪则是其中最为基础的部分。本文针对以上几个方面的问题进行探索和研究,提出新的方法,并通过实验证明新方法的有效性,对后续车速检测提供基本保证。车速检测是交通管理系统中的一个重要组成部分。随着图像处理技术的发展,视频检测技术在车速检测中的应用越来越广泛,本文主要研究图像处理在视频车速检测中的应用。基于移动测速设备的测速模式,本文提出了一种视频序列图像的车辆测速实现方法,通过测定固定时间间隔的连续两帧图像中目标车辆的相对位移来进行车速的测定,以及通过车辆定位判别的思想提高了测速的精度。采用数学形态学结构元素进行运动目标检测,最小协方差矩阵进行跟踪,然后在求得车辆运动位移基础上得到车辆速度。实验结果表明,该方法能较为精确的测量出车辆的实际行驶速度,克服了传统测速方法的不足,在高速公路移动测速等场合具有较好的使用价值。在运动物体检测方面,本文在传统的背景相减法和帧间相减法的基础上,采用背景相减法和帧间相减法相结合的方法来检测运动物体,并通过这种方法得到差分图像。对检测得到的灰度差分图像进行分割、跟踪及测速时本文分为四个步骤:(1)利用多结构元素的形态学边缘检测算子对前面获得的灰度差分图像进行边缘检测;(2)对检测出来的灰度差分图像用原始OTSU法进行分割,将分割得到的二值图像与(1)得到的图像边缘相加,得到改进的二值图像;(3)应用数学形态学方法对改进的二值图像进行目标增强及滤波去噪处理,得到所需图像,进而对提取出的目标图像进行下一步的跟踪操作;(4)在跟踪识别的基础上对运动车辆进行检测,求出车辆的运动距离s ,再根据固定时间间隔(Δt),求出车辆的速度v = sΔt。在对运动物体分割的基础上,依据分割出的运动目标的质心和跟踪窗口对场景中的车辆进行识别跟踪。跟踪的同时,通过运动估计来预测下一帧中运动物体可能出现的位置。本文采用基于卡尔曼(Kalman)滤波器的跟踪模型,在实验过程中采用较小的观测噪声协方差矩阵进行跟踪,从实验结果看出,该方法取得比较理想的跟踪效果,为后面准确测速提供较好的保证。实验结果证明本文研究算法的有效性和可行性,并有良好的应用前景。