车辆的检测和跟踪技术可以应用在诸多领域,如:交通场景、自动驾驶、智能视频监控等,具有很高的实际应用价值。这两项技术属于计算机视觉领域中运动目标检测与跟踪的一个子类,但是存在车辆运行环境复杂、周围干扰物多、运行速度不稳定等问题,使得车辆的检测和跟踪仍然面临着诸多的挑战,如何对车辆进行稳定的跟踪还是迫切需要解决的问题。鉴于此,本文主要的工作内容:在运动车辆检测方面,分析了主流的目标检测算法,选取运行速度快、算法原理简单的Vibe算法来解决运动车辆检测问题。针对Vibe算法检测结果易引入鬼影区域、无法对阴影区域进行判断、动态背景下检测误差较大的问题,本文提出了改进方案。结合三帧间差分法填充出真实完整的背景图像,在为每个像素点建立背景模型,快速消除鬼影区域;在C1C2C3颜色空间模型下,对Vibe算法的检测结果进行二次判断,有效消除了检测结果中的背景区域;使用动态阈值对像素进行分类,阈值能够随着背景动态变化自行调整,减少了动态背景对检测结果的影响。与原Vibe算法和其他目标检测算法相比,实验结果验证改进算法在较少帧数抑制了鬼影区域、消除了阴影区域,提高了运动车辆检测的整体性能。在车辆跟踪方面,本文充分利用神经网络的优势,提出了一种基于对称卷积神经网络的目标尺度自适应跟踪算法来实现车辆的稳定跟踪;设计对称神经网络实现目标中心定位,将目标跟踪问题转换成度量模板图像与候选区域相似度的问题,并采用动态更新和静态更新策略对模板图像进行更新,之后对目标中心进行多尺度采样,选取最合适的尺度作为跟踪窗口。最后在OTB公开数据集上测试了本算法的跟踪性能,与其他9种主流跟踪算法相比,本算法能在各种干扰因素下实现对车辆的稳定跟踪。