车辆检测与跟踪一直都是汽车领域的热门课题之一。随着汽车的增加,给现有的交通系统带来了前所未有的压力,道路交通安全问题就越来越受研究人员的关注。近年来,许多研究人员提出了给车辆安装高级驾驶辅助系统（ADAS）或无人驾驶系统,通过提高驾驶员的警惕性和感知能力来降低交通事故的发生。复杂背景下的车辆检测与跟踪对提取实时路况信息有着重要的作用。常用的车辆检测与跟踪的传感器有激光雷达、毫米波雷达和视觉传感器,由于视觉传感器具有能感知周围环境颜色、成本低、计算量小等优点,所以本文采用视觉传感器。对采集的视频图像进行图像预处理,提出了尾灯与阴影相结合的车辆检测方法,解决了复杂环境条件下车辆特征提取导致的误检甚至是漏检的情况;深入研究基于Kalman滤波理论的Camshift算法,解决了在跟踪过程中跟踪不准确的情况。具体研究工作如下:（1）分析国内外车辆检测与跟踪的研究现状和目前车辆检测与跟踪存在的一些技术难点。分析了图像处理的相关技术,常用的颜色空间模型包括RGB（加色混合）模型和HSV（六角棱锥）模型;图像预处理技术包括感兴趣区域划分、图像灰度化、彩色图像分割、形态学处理、滤波处理等;探究了视频图像分帧的方法。（2）基于尾灯与阴影相结合的车辆检测方法研究。经过图像预处理后的图像,仍会存在一些干扰。通过构建尾灯对和车辆底部阴影的限制条件,将尾灯对和阴影从图像中提取出来,获得车辆宽度信息,利用图像尺寸对应关系确定车辆高度信息,从而将车辆从图像中提取出来。构建了判决函数,给每个特征不同的权值,解决车辆处在复杂行车环境中出现误检或漏检的情况。采集了不同光照、不同天气情况下的车辆行驶图像并进行了检测算法的效果验证,结果表明:本文提出的车辆检测算法可以实现复杂行车环境下车辆目标的检测。（3）进行了车辆跟踪算法研究,包括均值偏移（Meanshift）算法、连续自适应均值偏移（Camshift）算法。对比了两种算法的优缺点,发现在Meanshift算法基础上改进的Camshift算法的跟踪效果要更好。通过提取HSV图像中H（色度）分量,构建颜色直方图转化为颜色概率分布图,利用颜色概率分布图确定了目标区域质心,将得到的质心位置作为初始中心位置,通过迭代运算从而得到目标中心在这帧图像中的实际位置,根据零阶矩重新规划搜索窗口的大小。通过对视频图像序列进行两种算法的分析验证,结果显示:当跟踪目标尺寸发生变化时,基于Meanshift改进的Camshift算法能够在跟踪过程中不断修正搜索窗口的大小,具有高效、快速的特点。（4）基于Kalman滤波的Camshift车辆跟踪算法研究。当车辆目标与周围环境颜色出现相近颜色干扰时,Camshift算法的跟踪效果会变差甚至无法实现实时跟踪。本文针对行车环境中出现的相近颜色干扰情况,深入研究了基于Kalman滤波估计的Camshift车辆跟踪算法。将检测的车辆目标质心作为初始值输入Kalman滤波器,估计下一帧车辆目标的位置,结合Camshift算法判断质心移动是否超过设定阈值,从而确定车辆目标的最佳位置,并将该位置作为观测向量传递给Kalman滤波器进行下一次位置估计,最终实现车辆目标搜索窗自适应调整与连续跟踪。将采集的车辆行驶视频,通过视频图像分帧技术对得到的连续多帧图像进行了车辆跟踪验证。结果表明:当出现相同颜色背景干扰时,该方法仍然能够实现对车辆目标的准确、连续跟踪,提高了跟踪的准确性和鲁棒性。