随着城市化进程的加快,交通拥堵、环境污染等问题日益突出。智能交通系统作为解决上述问题的一项有效措施,越来越多地受到了研究人员的重视。基于图像处理的智能交通监控系统是智能交通系统中的一个重要方面,而运动车辆检测与跟踪是智能交通监控中的一个基础而又关键的工作。本文对交通监控中的运动车辆检测与跟踪问题进行了深入的研究,主要研究成果和创新点有：1、针对在线K均值混合高斯模型更新算法中方差收敛较慢的问题,提出了一种快速背景恢复算法。采用不同的均值和方差学习率,基于计数器的可变方差学习率保证了模型初始化阶段方差能快速收敛,增强了背景模型对环境变化的鲁棒性。将该算法应用到运动车辆检测中,能够准确获得运动车辆位置等信息。2、基于对交通视频序列中的运动矢量时空相关性的研究,提出了三角形搜索和分层三步搜索两种搜索策略。依据运动矢量时间相关性,将上述两种搜索策略统一在基于分类搜索的快速相关跟踪算法中。算法搜索策略灵活,在保证跟踪精度的同时,提高了算法效率,综合性能优于单一搜索策略。3、针对CamShift算法只适于跟踪特定颜色目标的不足,提出了自适应颜色空间CamShift运动车辆跟踪算法。依据目标和背景外观的当前测量值选择颜色空间,提高了跟踪多色调车辆的准确度和适应光照变化的能力,在颜色概率分布图中迭代计算目标位置,颜色空间更新判断机制和Kalman滤波器的引入提高了算法效率。成功地将CamShift算法的应用领域扩展到运动车辆跟踪,实现了车辆的稳定、可靠跟踪。4、为了提高跟踪算法对大幅度的光照、背景变化或车辆大范围运动的鲁棒性,提出了自适应权值多特征空间直方图Mean Shift跟踪算法。以自适应权值多特征乘性融合框架为基础,推导出自适应权值多特征空间直方图Mean Shift迭代形式。利用目标与背景的颜色、边缘及纹理特征的相似性,调整特征权值,使跟踪不再过分依赖某一单一特征,实现了复杂背景下车辆的准确跟踪。5、为有效解决遮挡情况下的车辆跟踪问题,提出了基于粒子滤波的遮挡车辆跟踪算法。首先分别从粒子状态转移模型和粒子重采样两方面对基于核直方图的粒子滤波跟踪算法进行了改进,提高了粒子滤波跟踪算法的性能。然后采用分块相似度和位置判定方法区分了无遮挡、部分遮挡和严重遮挡。最后分别采用完全建模的Mean Shift跟踪算法、部分建模的Mean Shift跟踪算法和改进的粒子滤波跟踪算法跟踪不同状态下的运动车辆,完成了长时间和反复遮挡下的车辆跟踪,跟踪结果准确、可靠。