随着计算机硬件技术和计算机视觉技术的发展，基于计算机视觉的交通监控系统成为可能，视频车辆的实时检测和跟踪是智能交通监控系统的核心部分。目前存在的检测和跟踪技术在复杂场景下、大范围、多目标的情况下，运动目标的分割和跟踪的效果不是很理想，需要进一步的改善。本文提出了针对运动车辆进行实时检测和跟踪的算法，适用于大面积、多目标的复杂场景，能排除干扰，简单区分车辆和行人，可应用于高速公路和城市交通中。本文提出了基于HSV空间的自适应背景模板的方法来完成对运动目标的检测。与目前几种有代表性的RGB空间的运动目标检测的方法进行了比较，基于HSV空间的自适应模板是一种比较新颖的方法，由于HSV空间和RGB空间相比，对颜色要敏感的多，而且在高对比度的情况下，表现突出。此外，自适应的背景模板，采用图像上的每个象素点的H、S、V的分布为高斯分布建立的三维模型，该模型与实际情况比较接近；在背景、前景的判断上，充分利用了颜色信息；而且在更新算法上也考虑了学习率的问题。使得系统的背景模型既能够满足背景随时间渐变的统计特性；又能够兼顾系统的噪声以及一些突发的干扰因素。具有创新意义的是，本文的HSV空间的自适应背景模型是建立在阴影检测的基础上，能够去除阴影，准确的检测出运动物体。而现今比较流行的运动目标检测的方法，有不少是忽略阴影检测算法的，即使做了阴影检测，也大多基于RGB空间的。本文提出了基于扩展卡尔曼滤波器的运动跟踪模型，来实现对运动目标的跟踪。我们采用扩展卡尔曼滤波器做运动估计，缩小了特征搜索的范围，提高了算法的效率。在特征提取方面，采用了质心和窗口相结合的方法，兼顾了目标的位置和形状；而且还初步的去除了行人对运动目标跟踪的干扰。在特征匹配时，充分发挥了特征值的作用，提出了相似函数的概念。最后在更新算法中，考虑了大范围、多目标的追踪过程中出现的多种情况，如：新目标的出现、旧目标的消失、暂时静止等等，创新性的将图像分成三个区域--进入区、跟踪区、离丌区，设定了各自的临界值，从而进一步保证了算法的可靠性和高效性。从处理的结果看，本文提出的带阴影检测的HSV空间自适应背景模型和卡尔曼滤波运动目标跟踪模型，易于实现运动物体的分割、及阴影检测，能比较准确的实现大范围、多目标的跟踪，而且数学模型简单，运算速度快，系统具有很强的鲁棒性和实用性，能满足实时行进车辆的检测和追踪的要求。