车辆的分割和跟踪技术是图像处理以及计算机视觉领域的热门课题,该技术实现了对感兴趣目标及其运动轨迹的提取。通过计算车辆的前景区域并进行跟踪完成了运动对象的速度、转向信息、违章行为以及道路的拥堵程度等交通信息的监控与分析,因其巨大的研究价值及应用前景,该技术被应用于智能交通系统、安防监控、城市交通规划等多个领域。但是由于光源的遮挡,在行驶过程中车辆自身的阴影与其协同运动,产生了车辆前景粘连及轮廓失真等现象,对后续的车辆分析造成了严重的影响。随着相机网络的普及,相机集群覆盖的视野逐渐扩大,与此同时人们对目标在广域内的跟踪需求也日益增加,但相机网络产生的海量数据制约了该应用的快速发展。针对上述问题,本文在传统方法的基础上提出了一种精细化车辆分割算法以及一种应用于广域目标跟踪的候选目标计算方法并通过相关实验体现了两者的有效性。本文的主要研究内容及贡献如下:首先,通过大量的国内外相关文献的阅读,本文深入地研究了现有的目标检测及跟踪的算法框架、原理与实现方法。分析并详细地阐述了传统方法中存在的优点和不足,并结合本文的实际需要选择适当的方法。然后,针对运动阴影造成的前景粘连和轮廓失真问题,提出了一种基于时空多特征融合的车辆精细分割方法。利用颜色、物理模型以及纹理三个方面共同获取前景概率谱,并结合视频的时域相关性在消除阴影的同时取得了良好的前景分割效果。通过与多个阴影消除方法实验数据的对比,证明了本文提出的时空多特征融合的前景分割方法的优越性。最后,为解决多相机网络的高复杂度计算问题,提出了一种针对广域目标跟踪的时空模型车辆候选目标提取方法。基于统计信息恢复网络的拓扑结构并结合高斯混合模型估计相机间的转移时间分布,从而得到候选目标。通过相关的实验以及与各种方法的对比,反映出本文方法在缩小搜索范围及命中率方面的良好表现,为后续的车辆匹配和跟踪等处理打下充分的基础。综上所述,本文提出了一种车辆前景区域的精细化分割方法,有效地提高了阴影的检测率及辨识率,完整地分割出车辆目标;同时提出了一种广域车辆跟踪的候选目标提取方法,大幅度地减小了搜索范围,降低了计算复杂度。