车辆检测与跟踪是一项把交通视频监控逐步完善走向智能化的重要任务，通过对运动车辆检测与跟踪的实时判定，计算机控制端能够自动地向操作者解释描述交通视频中车辆的存在和行驶状况，由检测到车辆当前所处的状况和跟踪车辆将要发生的行驶模式，同时针对特定的交通规则下异常的运动车辆的状态进行报警，从而实现安全智能交通。本文重点对实现运动车辆的检测与跟踪的方法做了较深入的研究。　　主要研究的成果如下：　　第一，针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题，本文提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法，首先通过建立混合高斯模型对运动目标的总体区域进行检测，进而提取基于车辆运动的感兴趣区域，再对其进行基于 Haar-like特征的区域AdaBoost级联分类，实现对运动车辆的检测。由于采用了基于运动区域提取和分类相结合的检测模式，通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域，约束了每帧的搜索区域，使AdaBoost分类器的目标检测更具针对性，提高了检测的准确性，降低了漏检率；同时也减少了分类算法滑动窗口扫描所需要的时间，提高了检测速度。实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性。　　第二，针对Tracking-Learning-Detection算法（TLD）在跟踪运动物体尺度过大时产生的孔径问题、无法捕捉大幅度快速运动目标的问题，提出了基于TLD改进的车辆检测跟踪算法。TLD算法是一种长时间的在检测框架上的跟踪算法，采取跟踪与检测相结合的方式，与此同时，改进的在线P-N学习方法被融入其中，这样，对目标的整体检测和跟踪会更加的有效和稳定，TLD是非约束环境下任意物体的一种跟踪方法。但是TLD算法整体框架中的LK光流法（Lucas-Kanade光流方法）是假定目标的运动是连贯且一致的，在周期较短、帧间运动有限、目标可见的情况下对目标在连续帧间的运动预测较好，然而交通视频中的车辆跟踪，往往是运动幅度较大、速度较快且环境较为复杂的。针对此类问题，引入鲁棒的Cam Shift（continuously-adaptive-mean-shift）算法，提出一种采用基于颜色特征匹配方法的TLD改进算法，解决了在运动尺度过大时产生的孔径问题、无法捕捉大幅度快速运动目标的问题。