随着科技的发展,智能交通管理系统应运而生。其最主要的组成部分车辆的检测、车辆颜色的识别与车辆轨迹的关联已成为广大学者与研究人员研究的热点。但是由于天气状况的多变性以及拍摄设备与角度的有限性等一系列问题影响着智能交通管理系统的性能。本文主要由三个方面来组成,首先是基于Fast-RCNN卷积神经网络的车辆检测系统,其次是利用基于超像素分割与词袋模型方法的车辆颜色识别系统,最后基于最近邻匹配标准的车辆轨迹关联系统。本文的主要工作及研究成果包括以下三个方面:1、总结了常见的车辆检测算法,增加了Fast-RCNN卷积神经网络层数,修改了网络参数使该框架适用于低质量视频中对车辆的检测,提高了遮挡情况下车辆检测的识别率,增强了车辆检测的鲁棒性,较好地解决了恶劣环境下车辆识别率低的问题,如对晚上车辆和雨天的车辆的检测。实验结果表明相比较于传统的车辆检测方法Fast-RCNN对遮挡目标的检测效果显著。2、提出了一种基于超像素分割与词袋模型相结合的车辆颜色识别方法,该方法实现对车辆的颜色进行自动识别。主要包含了对车辆基于颜色相似性聚类的分割方法、词袋模型与HSV空间相结合形成车辆颜色特征向量的方法。实验结果表明该方法对监控视频中车辆的颜色识别的准确率比基于局部车身的颜色识别方法要高。3、提出了一种基于最近邻匹配准则的的车辆轨迹关联方法。在目标没有发生遮挡时,利用车辆的颜色与几何特征对不同帧中的相同车辆进行轨迹关联,在目标发生遮挡时,利用Harris角点特征对车辆进行轨迹关联。实验结果表明该方法有效的解决了目标被遮挡时,轨迹错误关联的问题,同时利用轨迹填补策略使轨迹变得更加平滑。