检测线法：在受检测图像上找出适合的位置并在此处设置检测线，检测线的作用就相当于埋在地底下的感应线圈传感器，它的方向与车辆行驶方向相互垂直。 将一张处于检测线位置上的背景图像或者边缘检测图像等作为参考图像进行保存，如果有车辆经过检测线，在检测线位置上的图像就会因有车辆的覆盖而有所变化，当运动物体覆盖检测线的宽度超过了某个阈值时，就认为有一辆车经过，该算法虽然简单有效，但是不适合如十字路口这样复杂的环境[11]。
3-D模型法：通过对运动车辆进行3-D建模，对车辆在交通场景中的位置和角度信息用外部模型来描述，将模型与要检测的图像进行匹配来检测是否有车辆经过。该算法的缺点在于难以建立一个适用于大多数车辆的模型，因为这其中涉及到各种大小、颜色、形状等[11]。
HMM模型法：建立马尔可夫模型（HMM）[12-13]，然后进行应用，在建模阶段，首先将HMM 的状态分为前景状态和背景状态，然后根据给定的一系列观察值(如某一像素在连续n帧的灰度值)，在应用最优化算法(如 Baum—Welsh算法)找出一个最优的模型参数A，在应用阶段，可以根据最优的模型和观察值序列对图像中的每一象素进行分类：分成前景部分和背景部分，从而判断是否有车通过，等等。其中不乏是针对城市道路环境下的车辆检测算法[14]。
Kalman滤波器法：采用背景相减的方法，使用状态空间的方法在时域内设计滤波器，用卡尔曼滤波器预测下一个更新间隔的背景图像，将当前值与预测值比较获得背景象素值的估计，从而应用与背景相减，后续检测出车辆。该算法能够自动适应光线和天气的变化[15-16]。
2  车辆检测中图像理论基础
在基于视频图像的车辆检测中，会涉及到很多数字图像处理的理论知识，以及已经得到验证或者经常为人们所使用的图像处理的基本算法，为了让读者容易理解，本章特别介绍会在本文中使用的图像处理的理论知识和算法。
2.1.  彩色图像、灰度图像、二值图像
目前市场上普遍使用的车载摄像头摄入的图像大都是彩色图像，而目前彩色图像的颜色标准大都是采用RGB色彩模式。RGB分别代表的是红（Red）、绿（Green）、蓝（Blue）三个通道的颜色，一般情况下，R、G、B三个通道颜色各有256级亮度，在计算机应用和程序编码中，用从0、1 、2…直到255来表示，通过红（R）、绿（G）、蓝（B）三个颜色通道的变化和按照一定的比例相互叠加，进而得到了我们想要的彩色图像。如图2.1所示，为RGB叠加系统示意图。 面向城市道路环境的车辆检测算法的设计(3):http://www.youerw.com/jisuanji/lunwen_23811.html