近年来,在智能交通领域中,基于视频的车辆检测跟踪已成为一个重要的研究方向。光流法在视频运动分析等领域具有极其重要的基础地位,能得到目标详细的二维运动信息,但光流算法计算的不适定及不能实时运算等问题限制了其广泛应用,因此研究出一种能实时执行且精度较高的光流算法对推广此算法在实时领域的应用显得尤为重要。若能将实时光流技术应用于智能交通领域,对智能交通的发展也大有裨益。本文详细阐述、分析了微分光流法的基本原理,并据此提出了多帧光流模型和其线性化求解方法,简化了光流的求解过程并提高了其估算精度;选择GPU平台做算法移植,解决光流的实时计算问题;根据所得实时稠密光流给出了车辆检测跟踪方案。首先,时域相关性在视频分析中具有重要作用,但在估算光流时这一特性却很少被应用。针对这一情况,提出在H-S光流模型基础上引入前向帧并加入时域相关性约束,从而构造出多帧光流模型。同时,针对能量泛函线性化求解过程异常复杂的情况,提出运用迭代重加权最小二乘法(IRLS)简化这一求解过程。其次,根据光流算法在像素间耦合性低这一特点,选择对其进行GPU平台移植。在计算统一设备(CUDA)架构下通过多线程并行执行方式同时对多个像素的光流值进行估算。在估算结果精度相当的情况下,在GPU上执行时间远小于CPU上执行时间。对于分辨率为640*480的视频图像可以达到实时性运算,能满足一般的应用要求。最后,给出一种改进的车辆检测跟踪方案。一方面,方案使用GPU平台计算所得实时稠密光流,相较于特征光流法和区域稠密光流法,可获得更加准确的全局运动信息,相较于帧差法等运动检测算法,也能获得更好的运动目标提取效果;另一方面,方案根据光流场所得到的速度矢量对车辆帧间的位置进行预测和匹配,能够对车辆在跟踪过程中常见的状态变化进行判断和处理,在实验中取得了预期的效果。