La detección precisa de vehículos en movimiento en entornos urbanos es un componente esencial para el desarrollo de sistemas inteligentes de monitoreo de tráfico. Las técnicas tradicionales de sustracción de fondo, como la Mezcla de Gaussianas (MoG), presentan limitaciones en escenarios reales donde la iluminación varía constantemente, hay presencia de ruido y las condiciones ambientales son inestables. En este trabajo se propone un modelo de sustracción de fondo basado en morfología matemática, que opera sobre secuencias de video en escala de grises y aprovecha operaciones como apertura, cierre y transformaciones top-hat para resaltar la textura local y separar eficazmente el primer plano del fondo. El modelo fue diseñado para ser computacionalmente eficiente, interpretable y robusto frente a condiciones adversas, sin requerir procesos de entrenamiento o parámetros complejos. La propuesta fue validada mediante experimentos con videos reales capturados por dron en zonas urbanas, y evaluada comparativamente contra el método MoG utilizando métricas estándar como precisión, recall y F1-score. Los resultados muestran que el enfoque morfológico logra una segmentación más estable y confiable en escenarios con alta variabilidad de iluminación, destacando su potencial como alternativa ligera y efectiva en aplicaciones de visión por computadora.