近年来随着经济发展与社会进步,车辆的数量不断增加,车流量也随之不断提高,对交通基础设施建设、调度与管理造成了一定影响,人们在享受交通便利的同时,也面临各种问题,需要建立完善的智能交通系统来适应发展的需要。车流量的自动识别与统计是智能交通系统实现智能调度管理的重要一环,车辆检测与跟踪技术是实现车流量检测的关键技术。传统的检测方法不能适应时代发展的需要,而实时、高效的目标检测与跟踪方法研究一直是计算机视觉领域的研究热点,计算机视觉技术用于运动目标的检测和跟踪已成为重要的研究与发展方向,在智能交通中得到越来越广泛的应用。本文主要研究计算机视觉技术应用于车流量检测,主要工作包括运动车辆检测与运动车辆跟踪两大部分。运动车辆检测的目的是从图像中去除真实背景以抽取车辆特征区域。本文采用了基于YUV彩色空间上色度分量的混合高斯背景建模及背景差分法相结合的目标检测方法。通过实验对比混合高斯背景建模所建背景质量较高,又研究了YUV彩色空间色度分量对阴影的抑制作用,首先利用UV色度分量进行混合高斯背景建模及背景更新,使得在背景差分时就直接去除掉阴影,并减少了背景构建时的运算量。在提取出前景运动目标获得运动目标区域后,采用形态学滤波和外接矩形提取算法来提取目标的外接矩形区域,外接矩形提取算法通过两轮扫描对不属于背景的对象进行标注,再根据对象的高度和宽度定义外接矩形。运动车辆跟踪技术采用了卡尔曼滤波运动估计和多特征匹配相结合的方法。卡尔曼滤波模型要经过预测和匹配更新两个阶段,采用车辆位置坐标作为预测参数,首先预测目标位置,然后通过本文研究的车辆检测方法获取当前帧目标,最后将预测的结果与检测的结果匹配并更新模型。在此过程中,通过模型初始化的次数判断车流量。在进行目标匹配时采用了基于多特征的匹配方法,通过目标矩形的长宽及质心坐标属性提取特征,再通过这些特征在图像中进行匹配,实现对运动车辆的准确匹配。本文研发了一套基于车辆检测与跟踪技术的车流量识别与统计系统,并通过在高速公路上的实验分析,取得了一定的成效,为智能交通提供了一种实时动态的交通流量信息的采集工具。