本文的目的是研究道路前方车辆的检测，通过车载摄像头获取道路前方视频图像，检测和跟踪前方运行的车辆目标，为驾驶员或者智能车辆系统提供准确实时的路况信息，达到预警、避让、制动等目的。车辆检测系统可分为车辆检测和车辆跟踪两部分。车辆检测的目的是判断视频图像中是否存在车辆，并获取车辆的大小、位置等基本信息。本文使用机器学习的方法进行车辆检测，基于机器学习的前方车辆检测一般分为两个步骤：（1）特征提取，提取可以识别车辆的图像特征；（2）分类器训练，使用分类算法从车辆特征中学习得到一个决策函数用于判定车辆与非车辆。本文使用Haar-like特征对车辆进行特征提取，使用AdaBoost算法对样本特征进行训练得到级联分类器。车辆检测通常需要遍历搜索整个图像，而且还会因车辆大小的变化使用不同的空间进行搜索，因此检测算法的时间复杂性一般较高。车辆跟踪的目的是在一定程度上提高系统的实时性。一般情况下，车辆目标被确认后，并不会马上消失，其在序列图像中是连续存在的。同一辆车在相邻的图像序列中相对位置没有太大的变化，没有必要对每一帧图像都使用在整个路面有效区域内检测车辆，而只需要根据已经检测出来的目标信息，使用粒子滤波算法预测出下一帧图像中车辆将要出现的位置，然后只在相应的区域内做精确的目标检测验证，提高检测系统的速度。车辆检测跟踪系统的设计实现。在Windows平台下，使用C++结合OpenCV编程实现了车辆检测与跟踪系统算法，并使用拍摄的车载视频进行实验测试，测试表明本文方法具有较高实时性和准确性。