车辆检测与跟踪是智能视频监控领域的研究热点,在智能交通、交通管控、车辆追踪等领域已得到了广泛的应用。但由于监控场景的复杂性,对视频中运动车辆的检测与跟踪还有很多问题需要解决。为此,本文对复杂场景中运动车辆检测与跟踪方法进行了深入研究,提出了一些检测跟踪处理算法,在实际场景应用中取得较好的结果。论文的主要工作如下:(1)对混合高斯模型进行了深入研究,分析了算法在目标检测的优缺点,结合场景的实际情况,提出通过像素点的前景和背景变换频率来调整该像素点高斯混合模型背景学习率,以达到快速适应不同区域的变化。(2)采集实际场景车辆数据集,训练深度学习YOLO v2目标检测模型,将其作为跟踪算法中的车辆检测子模块,并将检测结果对跟踪过程中车辆出现姿态和尺度变化时的位置框进行修订,减少车辆跟踪过程中的错误率。(3)在分析目前常用算法优缺点的基础上,利用负反馈的方式将上一帧正确跟踪到的车辆位置作为当前帧的学习模型,将特征点精确匹配率和区域重叠度作为当前区域计算的影响因子,修正当前帧的车辆跟踪位置。(4)将已学习模型匹配的特征点作为正样本放入容器,在车辆被遮挡或者位置偏移过大导致跟踪预测位置失效时,依次将检测器检测出车辆的特征点与容器进行匹配,匹配率最高的作为目标车辆继续跟踪。解决了无人机跟拍过程中,目标车辆即使出现漂移仍能正确跟踪到目标车辆。(5)完成了一个算法集成实验系统,将其应用到实际场景中的监控视频,获得了较好的车辆检测和跟踪效果。