智能交通系统(ITS, Intelligent Transportation System)是目前全球广泛研究的课题,近20年随着我国公路交通事业的飞速发展,我国的公路长隧道及地下通道的不断增多,隧道自身的交通监控和安全管理已成为新的研究课题。应用ITS技术到隧道监控与传统的地感线圈的检测方法相比,视频车辆监控技术具有安装容易,维护费用低廉的优点。目前较常用的视频车辆检测技术大多应用于露天公路车辆的监控检测,而公路隧道是公路上的特殊路段,隧道里空间狭隘、空气流通不畅、光线较暗、视野不清等特殊环境,而这些都是造成交通事故的潜在威胁。在不同的环境中,基于视频的车辆检测技术也不同,本文中在前人研究的基础上,总结出适合隧道监控的、鲁棒的、实时的方法,用来处理一系列由固定安装在隧道里的摄像机所提供的交通视频图像,从而检测车辆,并对监控范围内的车辆进行分类识别及跟踪。该算法主要包括三个方面：运动目标提取,车辆识别分类和车辆跟踪。运动目标的提取算法,通过对几种传统目标提取算法的分析比较,总结出利用背景差分法从当前监控区域中提取运动目标。背景差分法主要分为建立背景模型和阈值差分两步完成。然后,基于隧道对车辆分类的要求,利用BP神经网络技术对运动目标进行分类识别。在仔细研究了隧道运动目标的各种特征以后,提出了根据运动目标的矩特征、速度特征和面积特征作为输入,将分类类别作为输出,训练并验证了神经网络可行性。在运动目标的实时跟踪技术中,基于Kalman滤波的跟踪算法是最常用的有效方法。然而在隧道监控中,时常出现的多目标交叉、重叠等情况,容易引起跟踪的目标丢失或跟踪错误的目标的现象。故本文中采用了一种基于特征点匹配接合Kalman滤波的跟踪算法。实验表明,该算法能够有效提高对多运动车辆识别率从而正确的实现跟踪。本文中的方法,通过对大量隧道视频图像的实验,对这些现场视频处理的结果表明：本文中的方法是实时并有效的。