随着平安城市项目的大力推进,安防监控产业不断发展,城市交通作为平安城市的重点项目日益受到社会的广泛关注。其中利用智能交通系统(Intelligent Transportation System,简称ITS)来解决城市道路交通问题已成为当今社会处理交通信息的主要手段。因此,对运动车辆的检测和跟踪作为智能交通分析交通情况的基础而成为研究热点。本文从对视频图像的处理,运动车辆的检测和运动车辆的跟踪以及车辆测速和分类这几个方面对课题进行了研究。在车辆检测环节,通过对现有的常用车辆检测技术的分析,最终采用了背景差分法作为车辆检测的算法。通过对背景差分法的背景更新模型混合高斯算法进行改进,在不改变检测准确度的基础上提高了算法的实时性。在对检测车辆进行跟踪时,对比了卡尔曼滤波、粒子滤波和CAMShift算法的效果,最后使用了将卡尔曼滤波和CAMShift算法相结合的车辆跟踪算法。在对车辆的车速进行检测时,考虑到对车辆分类的影响。本课题提出了将虚拟线圈测速与运动车辆跟踪相结合的算法。在车辆经过虚拟线圈时开始跟踪,离开虚拟线圈后跟踪结束。计算两次通过时车辆质心的位置和通过时间,从而计算出车辆的速度。最后通过对车辆两次经过线圈时检测到的长度对车辆进行简单的分类。本课题改进研究包括以下几个组成部分:1.在图像经过预处理后,需要从处理结果中准确地检测运动车辆。本文分析了均值滤波、中值滤波、高斯分布模型等算法的原理及其实验的对比效果。最终通过对传统的混合高斯模型进行了改进,通过减少高斯模型的总个数,在不改变检测率的基础上降低了车辆检测过程所需的时间,提高了算法的实时性。2.为了更好地对车辆的参数进行分析,对已检车辆的跟踪是必不可少的步骤。本文首先对目前车辆跟踪的算法及其原理进行了介绍和实现,根据实验效果最终选择了使用实时性较高的CAMShift算法与卡尔曼滤波相结合的算法对车辆进行跟踪,这样综合考虑了车辆的颜色以及运动特征,对准确跟踪到车辆已经抗遮挡有很好的效果。3.最后,为了对车辆的速度测量和分类。本文通过将车辆跟踪算法和虚拟线圈测速相结合的算法,完成了对车辆速度的估计及对车辆的简单分类。