随着社会经济的不断发展和交通量的持续增长,交通拥挤和阻塞现象日益严重。利用智能交通系统来提高道路的利用率和道路交通的安全程度,已成为未来交通运输的发展方向。智能车辆是智能交通系统的重要组成部分之一,同时也是机器人研究和应用的一个重要领域。随着计算机硬件技术和计算机视觉技术的发展,由于视觉信息的重要作用,以及机器视觉传感器具有信号探测范围宽、获取信息完整等优点,计算机视觉在交通方面的应用也越来越广泛,逐渐成为了智能交通系统与智能车辆的核心部分之一。本文以装置于车辆中的摄像头获取的车辆前方交通场景视频为研究对象,主要研究了兴趣区域提取、车辆验证和车辆跟踪,并进行了以下工作:1.采用一种在HSV颜色空间中的将阴影提取、红色像素提取和水平边缘提取相结合的方法,来检测原始图像中的兴趣区域。经过与传统边缘检测方法对比,该方法可以明显减少兴趣区域检测的计算量。2.针对标准遗传算法全局搜索和收敛能力较弱的缺点,提出优势分段变异方法,并引入适应度标定、小生境技术、子代竞争和自适应单点变异等方法对标准遗传算法进行改进。通过与标准遗传算法、传统改进遗传算法和单亲遗传算法的测试对比证明该改进遗传算法具有更强的全局搜索能力与更好的全局收敛稳定性。并用改进过的遗传算法对2维Gabor滤波器组进行优化,使其能够对车辆图像有更强的响应,提供更为有效的车辆特征向量,从而提高车辆验证的准确率。3.在车辆跟踪中,对于已确定的车辆区域,利用该区域的长宽比和车底阴影位置信息,在下一帧图像里的一定的范围里寻找跟踪区域,并采用一种区域像素颜色值匹配的方法来比较跟踪区域与原车辆区域。通过对车辆的跟踪,避免了水平边缘检测和车辆验证环节,从而提高了系统处理速度。本文最后,对本文工作进行了总结,提出本文的不足及下一步的工作方向。