随着经济社会的不断发展,我国的公路交通也得到了长足的发展,社会经济生活和交通运输的关系愈来愈密切。智能交通系统(Intelligent Transport System,简称ITS)于二十世纪六十年代被提出,对日益紧张的交通运输情况起到了有效的缓解作用。基于视频的车辆检测使用摄像机进行监控,当车辆进入监测区域,画面中的图像会产生变化,通过这些变化可以确定车辆的存在,从而获得需要的实时交通信息和监控参数。作为整个智能交通体系中的根基部分,对于后续的车辆行为分析等步骤有着重要的意义。本文完成的主要工作有:(1)提出了一种基于车尾灯特征和虚拟线圈的夜间车辆检测算法。首先,采用Hough变换提取车道,设置适应于车道的虚拟线圈。然后,根据颜色阈值分割出车尾灯可能存在的区域,并采用Otsu算法自动确定阈值,分离出车尾灯目标。最后,在虚拟线圈中对车尾灯对进行配对与跟踪,完成车流量统计。使用实地采集的交通视频,在MatlabR2016a环境下进行测试,证明与已有的基于车前灯的方法相比较,该方法能够在夜间有效地完成车流量统计,检测准确率达95%以上。(2)改进了一种基于AdaBoost分类器的夜间车辆检测与跟踪算法。首先,采用基于难样本(Hard Negative Sample)的级联分类器对视频图像进行分类,获取车尾候选框。两层分类器的设计,增加了训练的时间但是减少了分类器的检测时间,整体上提高了算法的性能。然后根据候选框的颜色和运动信息对得到的车尾候选框进行筛选。最后,运用Kalman滤波器完成车辆的跟踪,完成算法的整体流程。相较于普通的AdaBoost分类器高达70%的误检率,改进后的方法误检率低于20%,大大的降低了分类器的误检率,检测结果更优。在雨天、雾霾天等不同的天气环境下,本文中的算法均能获得较高的检测率。未来将会进一步增强算法的鲁棒性和实时性,并尝试将其运用到车型识别中。