智能交通系统(ITS)在交通管理和城市规划中起到了越来越重要的作用,而车辆跟踪则是智能交通系统的核心技术之一。通常,在道路现场跟踪多个车辆需要克服很多困难,如车辆数目的不确定性,现实场景中的光照变化和车辆间的相互影响等。本文针对多目标跟踪的难点,对单摄像头智能交通系统中的车辆跟踪技术进行了深入地研究。粒子滤波算法是多目标跟踪领域使用较多的一种贝叶斯估计算法,适用于任何能用状态空间表示的非线性非高斯系统。本文提出了一种基于粒子滤波理论的目标跟踪算法。并用该算法对视频序列图像中的多个车辆目标进行跟踪。本文的主要研究工作如下:研究了贝叶斯预测理论和基于该理论的更新运动目标状态模型的方法。然后采用基于蒙特卡罗理论的粒子滤波算法估计目标在非高斯环境下的运动状态的后验概率分布。在目标检测方面,本文提出了一种自适应目标提取的背景减除法。首先用混合高斯模型对序列图像的每个像素进行建模,克服了像素值在变化过程中的多峰问题。然后,本文提出一种能够在线学习的自适应阈值选取算法,从而提高了目标检测的精度。最后,利用形态学运算对背景差分结果进行噪声消除。针对单目标跟踪问题,本文采用了基于颜色特征的目标观测模型,通过计算被跟踪区域的颜色直方图将目标的颜色分布信息与粒子滤波的权值更新结合起来,并使用在线学习算法对模板进行更新。本文用马尔可夫蒙特卡罗算法(MCMC)解决多目标跟踪中由数据关联引起的粒子数目增涨问题。另外,为了减少系统计算量,本文将背景减除法所得的目标信息融入到MCMC的采样动作判定中,从而提高了采样效率。实验结果表明了论文提出的模型能够对固定摄像头条件下的多个运动车辆进行跟踪,证明了所提模型的正确性和实用性。