我国许多城市的交通堵塞问题已变得越来越显著。为了缓解交通堵塞问题,需要对城市车辆流动进行有效监测,现有的方法包括地感线圈方法和基于车载GPS设备进行交通检测的方法。然而地感线圈方法安装维护困难,车载GPS设备还不普及,难以对车辆流动进行及时观察与检测。本论文结合现有的监控视频数据,开发出既能实时监测又易于安装维护的新型车流量检测技术,来实现对交通信息的高效准确检测。本论文提出了一种新型的FAST算法,通过在传统的FAST角点检测方法的基础上结合帧间差分方法思想,实现对车辆静态以及运动过程中的有效检测。改进后的FAST算法可以提取出当前交通道路上表征车辆存在的角点特征图以及每个角点的运动状态,通过检测窗快速获得车辆排队。针对相机的抖动等问题,改进的FAST算法通过比较相邻两帧之间角点位置邻域像素差最大值和阈值的大小关系得出角点的运动状态。本论文通过连接角点特征图中同一连通域中的角点生成车辆前景,建立了以车辆前景的中心坐标和宽高等信息为状态量的卡尔曼滤波模型,提出了采用重叠区域与颜色特征相融合的一种标记特征来对相邻帧中跟踪目标的特征进行匹配。目标跟踪方法能够对目标的中心和面积信息进行修正,对暂时消失的目标根据上一帧的信息利用卡尔曼滤波估计出其位置,保持运动目标跟踪。跟踪特征匹配方法改进了颜色特征容易受到光照变化的影响,利用重叠面积的特性在连续帧中对某一目标对象赋予唯一随机灰度值并迭代。本论文通过逆透视变换将改进FAST算法结果得到的车辆排队角点映射图进行矫正变换并自由切换,使得远处的小目标也容易被检测得到排队车辆长队,通过可变大小的模板进行膨胀得到车辆排队并建立小孔成像模型得到实际的车辆排队长度。本论文所提出的新型FAST算法,可以准确的检测到车辆存在并且得到车辆的状态。在原有方法的基础上进行融合改进,具有算法运算速率快,算法体积小的优势,对于解决车辆检测系统运行速率慢体积大的问题具有潜在应用价值。本论文提出的目标跟踪匹配方法采用重叠区域与颜色特征相融合的一种标记方法改进了颜色特征对光照变化明显的不足,提高了目标匹配的准确性。