摘  要：为解决基于背景差分的车辆检测办法易受交通状况影响的问题，首先建立基于区间分布的自适应背景模型，然后利用改进的背景更新算法对建立的背景模型选择性更新。实验结果表明，该算法在交通堵塞或临时停车等复杂交通环境中有很好的背景提取和更新效果。与经典的算法相比，该车辆检测算法在实时性和准确性方面都有所提高。 　　随着智能交通技术的发展，智能交通系统中交通检测已经成为计算机视觉技术应用的一项重要课题。序列图像中车辆检测与跟踪在智能交通领域中起着关键作用。车辆检测常用的方法有基于帧间的差分办法、光流

为解决基于背景差分的车辆检测办法易受交通状况影响的问题，首先建立基于区间分布的自适应背景模型，然后利用改进的背景更新算法对建立的背景模型选择性更新,最后结合阈值分割和形态学处理实现运动车辆检测。实验结果表明，该算法在交通堵塞或临时停车等复杂交通环境中有很好的背景提取和更新效果。与经典的算法相比，该车辆检测算法在实时性和准确性方面都有所提高。

摘  要：为解决基于背景差分的车辆检测办法易受交通状况影响的问题，首先建立基于区间分布的自适应背景模型，然后利用改进的背景更新算法对建立的背景模型选择性更新。实验结果表明，该算法在交通堵塞或临时停车等复杂交通环境中有很好的背景提取和更新效果。与经典的算法相比，该车辆检测算法在实时性和准确性方面都有所提高。 　　随着智能交通技术的发展，智能交通系统中交通检测已经成为计算机视觉技术应用的一项重要课题。序列图像中车辆检测与跟踪在智能交通领域中起着关键作用。车辆检测常用的方法有基于帧间的差分办法、光流