随着我国经济快速发展,机动车数量呈现大规模增长。过多的机动车给城市交通带来了巨大的压力,交通拥挤成为困扰城市管理的重大问题。道路视频监控是解决交通问题的重要手段,但是单独的视频监控只能看到道路上运动车辆的行进状况而不能进行一些其他智能化的处理,如:道路的车流量统计、车辆的违章判断等。而实现这些智能化处理的基础是对运动车辆进行检测与跟踪,所以有效且准确的进行运动车辆的检测与跟踪成了我们需要解决的首要问题。运动目标的检测与跟踪研究一直是计算机视觉领域的热点,国内外许多研究机构和学者都在对此进行深入的研究。本文首先详细的介绍了OpenCV视觉库,包括OpenCV的模块和OpenCV的安装和配置过程。然后深入分析了运动车辆检测与跟踪过程中用到的图像预处理技术,包括:图像灰度化、平滑滤波、二值化以及形态学滤波。在运动车辆检测的部分,介绍了比较常用的几类运动目标检测算法:光流法、帧间差分法、背景减除法,接着详细阐述了帧间差分法以及背景减除法中的高斯混合模型(GMM)、Vibe算法。对帧间差分法、高斯混合模型和Vibe算法之间的优缺点进行了讨论,经过实验对比,选择了算法实时性和检测目标完整性都较好的Vibe算法作为运动车辆检测算法。并针对Vibe算法中易出现“鬼影”的问题,结合帧间差分法对Vibe算法进行改进。实验结果表明:对比原Vibe算法,基于帧间差分法改进的Vibe算法能够快速的消除“鬼影”对检测结果的影响,具有良好的检测效果。在最后的运动车辆跟踪部分,详细介绍了Meanshift算法,根据它的缺点引入了Camshift算法,即连续自适应Meanshift算法。此算法改进了Meanshift算法中窗口大小及位置固定不变的缺点,但是在复杂环境不具有良好的鲁棒性,容易丢失跟踪目标,因此利用Kalman滤波的预测特性对Camshift算法进行了改进。最后利用基于Kalman滤波改进的Camshift算法结合改进后的Vibe检测算法实现了运动车辆的多目标全自动跟踪。利用OpenCV3.4和VS2015进行编码实现,对待检测视频进行实验。实验结果表明:此算法具有良好的实时性,对于复杂环境具有较好的鲁棒性,符合我们的预期。通过本文的研究,改进了运动车辆的检测算法以及跟踪算法,能够准确的识别运动车辆并能进行全自动多目标的跟踪,对于实现智能交通有极其重要的意义。