在基于视觉的交通监控系统中，道路上的车辆检测是首要步骤。目前，基于运动的方法是实现这一目标的常用手段。背景建模是其中一种方法，它将移动的车辆视为前景，而场景中的静止部分，如道路，则被视为背景。然而，在夜间或光线暗淡的环境中，从背景建模技术中提取的前景不仅包含车辆，还包含了高光部分。
如上所述，高效的车辆检测在许多交通监控项目中至关重要。尽管已经有许多研究致力于白天的车辆检测，但夜间监控视频在检测车辆时面临许多挑战，其中一个主要原因就是车辆前灯在道路上形成的高光。这种高光干扰了车辆的检测，可能导致对车辆尺寸的高估或错误的车辆跟踪。
为了解决上述问题，探讨了两种主要方法，以帮助在夜间高效检测车辆：
1. 边缘阈值 - 观察下面的图像，它显示了帧的边界边缘图（在前景掩模上应用Sobel滤波器后）。可以清楚地看到，车辆具有锐利的边缘。这个因素在项目中被利用，包含内部边缘像素（>阈值）的前景块被分类为车辆。
2. 亮度因素 - 在包含这三个对象的帧中：车辆、高光和暗背景（因为使用了夜间视频），一个非常有用的差别是亮度水平的差异。由于高光比车辆更亮，因此应用了最佳阈值来区分高亮度块和低亮度块。
除了上述方法外，还引入了以下因素来解决夜间车辆检测中的其他问题：
1. 大小限制：车辆和高光之间的一个主要区别是它们所占据的块数/大小。车辆在每个方向上占据许多连续块（可以被视为矩形），而高光占据的块数较少。应用了2-3个连续块占用的阈值，以去除高光块。
2. 孤立高光：有时，路灯的高光也会干扰车辆检测。这种占据前景块较小面积的灯光被称为孤立高光。应用了面积限制（前景块中的前景像素少于5%）来去除这种孤立高光。
3. HSV颜色因素：有时，由于车辆内部亮度较低的区域或边缘像素较少，车辆可能没有被完全检测到。当车辆逐帧移动时，车辆的色调保持不变，这个属性可以被利用来检测整个或大部分车辆。尝试了HSV颜色的三个参数，以找到适合更好检测的合适组合。
1. 在第一组结果中，让看看该方法如何在夜间的视频画面中工作。应用边缘总和阈值和最佳亮度因素：在下面的两张图像中，可以看到高边缘总和值根据应用的阈值被检测到。边缘总和阈值=35，来源：个人项目。边缘总和阈值=45，来源：个人项目。在第一张图像中，道路上的高光也被检测到，连同汽车一起，而在第二张图像中，几乎整辆汽车都被检测到，道路上的高光也减少了。
2. 在第二组结果中，展示了HSV因素的使用：在没有任何色调限制之前，来源：个人项目。应用红色色调限制后，来源：个人项目。可以看到，在第二张图像中，在应用红色色调限制后，公交车的大部分被检测到。