目前,车辆的日益增多使得交通事故和交通拥堵问题越来越严重,能供给车辆交通运行的道路资源也十分有限。在智能交通中,车辆识别算法对车辆进行识别、跟踪,从中自动地采集信息并检测事件。事件自动检测和监控交通流的系统能够采集丰富而准确的交通事件信息,在危险状况下实现对驾驶员的交通预警,较大程度地避免事故的发生,降低交通拥堵。因此,智能交通成为一种解决方案。不仅如此,对车辆的跟踪数据还可以识别交通数据、接入公安系统等。随着计算机和探测设备的更新换代,5G通信的普及,让更高效的跟踪成为可能。在这种环境下,需要一种更高效的车辆跟踪算法。车辆跟踪算法,即为通过对视频进行车辆检测,并将这些离散、不准确的检测结果进行运算,得到更加精确的数据。在应用于车辆跟踪的卡尔曼滤波算法中,因为转移方程的单一性,在车辆跟踪环节存在提升精度的空间。针对车辆跟踪系统的性能,本文提出了一种改进方案。本文的主要工作如下:1.提出一种基于HOG特征、支持向量机(SVM)算法的车辆识别算法。使用该算法,对图片进行多尺度多次扫描来识别车辆,对初步识别结果采用更新的窗口合成方法来确定车辆的位置和尺寸。这种窗口合成的新方法既能提高识别率,提高定位的精度,也能排除孤立的识别点,降低误检率。2.提出一种基于卡尔曼滤波的车辆跟踪算法。通过基于上一帧的预测结果,和本帧的观测结果算出增益,并进而得到更加精确的定位。这种可迭代的算法可以将原本间断、不准确的识别结果,收敛为精确并且连续的定位结果。本文将对预测过程进行改进,根据所有车辆运行的规律,采取一种更加科学的预测方程,用以提高车辆定位的准确度。3.设计并实现一个基于道路视频的车辆信息实时监测平台。该平台针对车辆信息实时监测需求,集成车辆检测与跟踪算法,实现了对道路车辆信息实时监测的功能,分析需求,使用本文所研究的技术进行车辆、车道信息的采集、统计,并展示。