多目标跟踪是智能交通系统中最重要的模块,它是实现交通监控智能化和其他视觉领域实时应用的关键所在。传统跟踪方法通常限定在特定的场景设计,对于各种复杂环境的变化难以应对,并很难平衡实时性和准确性。为了满足上述各方面需求,本文以交通环境的视频图像序列为对象,以视频中的车辆目标检测和跟踪为内容,研究实现交通环境中实时精确的基于检测的目标跟踪方法。数量变化的目标跟踪问题主要有两个难点:首先,观测模型和目标分布有极大的可能是非线性和非高斯的;其次,数目变化的大量目标出现在一个场景中,很容易造成一些复杂的情况,如重叠、遮挡、模糊等。为了克服这些问题,本文改进了一种可以学习、检测并且跟踪兴趣目标的系统——BPF跟踪算法,该系统结合了两个非常成功的算法的优点:混合粒子滤波和AdaBoost。混合粒子滤波方案设计的关键两点是建议分布的选取和目标进出场景的处理。已经学习好的AdaBoost车辆检测器可以快速的检测到车辆目标进入场景,而滤波的处理可以让我们持续跟踪每个独立的车辆。结合AdaBoost和混合粒子滤波,并辅之以车辆目标轨迹预测处理出现车辆互相遮挡的情况,我们得到了一种强大并且全自动的多方向多目标跟踪系统。该系统在跟踪交通环境中跟踪车辆时表现良好。主要工作如下:1.为了避免目标团块之间的粘连和漏掉静止的目标(没有前景),本文中目标检测的基本方法采用的是AdaBoost车辆检测,而非传统的基于前景分割的目标检测。通过各方向上车辆特征的学习和训练,构建了自适应的车辆检测系统。2.在车辆检测系统的基础上,本文将本用于行人跟踪的BPF框架应用到交通环境车辆跟踪中,并根据交通环境车辆的特点对整个系统进行改造,使得其更加适合车辆多目标跟踪。3.在深入理解BPF算法的基础上,本文针对其所存在的若干问题分别进行了相应改进提出IBPF算法,在目标相似或者相互遮挡的跟踪场景下,IBPF算法都有相应的解决方案。4.由于BPF算法时间性能深受目标数量和大小的影响,本文在IBPF算法的工程实现阶段对BPF算法进行了多线程改造,使其不会因为目标数量增加而减慢处理速度。对于交通环境,本文在理论和实验两方面,验证了各种多目标跟踪方案的优劣,并基于此提出了自己的解决方案。希望这些设计和研究能为交通场景中的多车辆检测和跟踪技术做出自己的贡献,并为智能交通领域的研究增砖添瓦。