随着我国城市化进程的不断加快,城市道路交通系统的压力也不断加大。因此,基于计算机视觉技术的智能交通系统的重要性日益显著,其核心技术是在静止摄像机拍摄的图像序列中进行运动车辆检测与运动车辆跟踪。在城市道路交通动态场景中,运动物体的阴影、光线变化、多车辆粘连、遮挡等问题都给视频车辆检测与跟踪系统的研究带来了一定的挑战。针对这些问题,本文主要研究了车辆检测与跟踪问题中的几个关键技术。这些技术可以有效的提高车辆检测与跟踪的性能。本文的主要研究内容概括如下。首先,对运动车辆检测的常用方法进行了比较研究。针对城市道路这种复杂交通场景,给出了一种基于高斯混合模型的背景差分和对称差分相结合的车辆检测方法。该方法通过建立的高斯混合模型自适应的获取和更新背景;并运用背景差分和改进的对称帧间差分相结合的方法检测运动车辆。该方法解决了背景初始化难、背景更新速度较慢、难以适应光线突变等问题,提高目标检测的准确度。试验结果表明该方法能对城市道路场景下的车辆进行有效的检测。然后,针对运动车辆的阴影问题,首先引入了一个是否进行阴影处理的判据。通过对每个运动区域的区域面积与区域的凸包面积之比值的统计量进行一个经验阈值来判决是否进行阴影消除算法。通过这个判决可以提高整个系统的实时性。并提出了基于运动区域纹理和色彩相结合的车辆阴影消除新方法。该阴影消除算法首先提取每个运动区域的纹理图像T-map、亮度图像L-map和色度图像C-map;再对这三个图像进行一个“或”运算,获得OR-map;最后,对运动区域的OR-map进行形态学处理,实现对阴影的有效消除。最后,针对在城市道路这种复杂交通场景下车辆的机动性复杂、存在车辆短时间消失和完全遮挡等问题,使用了一种基于Kalman预测模型的区域匹配车辆跟踪方法,有效地对车辆运动状态进行预测、记忆跟踪。与常用方法相比,此方法具有缩小车辆匹配搜索的范围、能很好的对车辆位置进行最佳预测、解决完全遮挡问题等优势。该方法首先提取运动车辆区域的质心、方块大小等观测参数,为每辆车建立一个区域模型;再利用Kalman滤波器对区域模型进行预测和更新,并建立两个区域模型匹配标准来实现对运动车辆的精确定位和跟踪;最后结合推理解决车辆的完全遮挡问题。针对车辆的部分遮挡,通过对部分遮挡车辆区域的形状进行分析而找到一条“分割线”来消除。