时代在进步,伴随着经济水平的日益提高、科学技术的迅猛发展,人们生活的方方面面的质量皆在蒸蒸日上。汽车的平民化就是智能交通的迅猛发展就是其中最明显的表现。安全驾驶、安全辅助驾驶技术等一直是一个热门话题,关于车辆检测与车辆跟踪一度成为关注焦点。现有的关于安全辅助驾驶技术,已经不能够满足用户对于安全技术的需求。对比过去,现在的交通场景变得愈加复杂多变,尤其像是在高速公路这样车辆必须高速行驶的背景下,对于是否能实时检测与跟踪会直接影响驾驶员的安全。本文针对实时检测前方车辆进行深入研究,阐述工作过程如下:第一步预处理;第二步基于特征分析理论对视频图像中的车辆进行特征提取并手动分类正样本特征与负样本特征,训练分类器即车辆检测器。针对前方车辆跟踪算法需满足跟踪的实时性与准确度要求,本文采用KCF车辆跟踪算法,能够做到快速训练与识别,达到快速跟踪目的。并就算法使用性能方面,对其进行优化和实现。本文的主要内容有:(1)方向梯度直方图(HOG,Histogram of Oriented Gradient)结合SVM(SVM,Support Vector Machine)的车辆检测原理,文章引入空间颜色特征分析方法。通过选用HOG+颜色特征组合方式,实现车辆特征提取。HOG的边缘特征描述能力强,可以很好地对车辆的外型轮廓进行描述。颜色特征可以描述出车辆最表面的特征。添加颜色特征后可以明显看出车辆检测在精确度上的变化。为了进一步提高检测精度,选择使用SVM方法,在高速公路的背景下检测出车辆并进行实时跟踪。SVM的分类简单好用并且能力较好,在车辆检测领域有良好应用效果。(2)鉴于KCF算法具有实时快速跟踪优势,本文在车辆跟踪的部分采用的是KCF跟踪算法。基于高速公路实验背景,本文引入KCF跟踪算法,跟踪前方行驶车辆,实现车辆快速训练、识别与定位。KCF算法在跟踪过程中利用循环移位生成训练样本,这样生成的训练样本可以利用离散傅立叶变化对角化,大大提高运算速度。跟踪时容易出现目标消失或者被遮挡现象,导致失败。KCF算法会在检测识别过程不断更新跟踪模板,这种优化能有效降低对遮挡、形变和旋转等对跟踪的影响。同时,利用MATLAB环境,完成整体程序的设计,并在细节上优化HOG参数。(3)在检测算法的验证环节,本文通过视频采样和实验数据的分析比对发现,与原HOG+SVM算法相比较,在检测的准确率和精确度上都有明显的提升。因此可知,本文算法的可靠性以及某种程度上优化。在跟踪算法仿真论证部分,本文以Benchmark中的一个视频序列作为实验样本输入,通过多组实验数据采集、处理得知,KCF算法在跟踪速度以及准确率上占有明显优势。本文研究算法在车辆跟踪领域有良好应用价值。