交通状况日益的恶化,智能交通系统(ITS)被引起广泛的关注,其中车辆检测与跟踪是智能交通系统中最为关键且基础的技术,已成为ITS领域内研究的热点。目前,在拥挤场景、低分辨率的情况下,现有车辆检测和跟踪算法的效果不能满足实际要求,需要进一步改进,本文主要所做贡献如下:1、本文提出了基于级联AdaBoost分类器的低分辨率车辆检测算法。本文采用假设产生和假设验证的框架进行车辆检测,在假设产生阶段,计算检测子窗口内像素的期望和方差,满足一定的条件后再采用级联AdaBoost分类器进行验证。分类器的输入为Haar-like特征,Haar-like特征反映的是目标的纹理信息,对光线不敏感,而且在训练级联AdaBoost分类器过程中选用低分辨率的车辆作为正样本;在子窗口扫描待检测图像过程中,本文采用窗口金字塔的方法。大量试验结果表明,本文提出的算法在低分辨率情况下取得很好的检测效果。2、本文提出了基于车辆检测的实时跟踪算法。根据车辆区域内颜色权值直方图,计算前一帧中车辆与当前帧中检测结果之间的欧式距离,满足一定的条件就认为是前后两帧的车辆完成匹配;采用Mean Shift跟踪算法确定前一帧中未匹配成功的车辆在当前帧中的位置,最后当前帧的车辆包括在当前帧中检测结果和根据前一帧中车辆信息跟踪的结果。这样既提高了拥挤场景下检测的性能,又能提高跟踪的速度。3、在研究拥挤场景下低分辨率车辆检测与跟踪算法的基础上,本文还将其应用到实际智能交通系统中,开发出一套电子警察系统,经过现场测试,性能和各项指标都能满足客户的要求。