随着机器视觉的发展,基于低空平台的视频交通监控系统日益受到智能交通领域研究者的高度重视。其核心在于使用安装在飞艇或无人机等低空平台上的摄像机感知交通场景,通过视频图像处理技术,检测出地面运动车辆等交通对象,并进行跟踪,估计它们的运动状况,达到智能化道路交通管理。与一般的静态视频监控系统相比,基于低空平台的视频监控系统是一个动态监控系统,其具备以下特性：(1)检测平台的移动性；(2)场景的实时变化性；(3)检测对象的动态性、检测对象的分辨率低且小；(4)多目标跟踪；(5)应用需求的实时性。这些特性使得基于低空平台的运动车辆检测与跟踪成为目前一个技术难题。本文针对低空平台的视频交通监控系统的上述难点,开展了以下研究：(1)针对检测平台的移动性和场景的实时变化性,基于混合高斯模型算法、光流算法和KLT跟踪算法研究的基础上,本文采用了基于特征的视频稳像算法和光流法向量相结合的运动车辆检测技术。基于特征的视频稳像算法首先通过提取参考帧和匹配帧之间的特征点对,然后通过特征点匹配找到参考帧和匹配帧之间的变换关系,从而将动态背景下的目标检测问题转换成为静态背景下的目标检测问题,从而弥补了检测平台的移动性。然后采用计算复杂度低的光流法向量法进行运动车辆检测。在基于低空拍摄的视频图像中,分析了上述4种算法。基于“背景是静止”假设的混合高斯法,基于“背景是运动”假设的光流法和基于Tomasi角点的KLT跟踪法都不能跟踪运动车辆,而本文所采用的基于视频稳像和光流法向量相结合的算法能够在不同背景复杂度,不同分辨率的视频中有效的检测出运动车辆；(2)针对检测对象分辨率小,且应用需求的实时性,在基于尺度旋转不变特征SIFT、SURF和CSIFT研究的基础上,本文提出了C_SURF特征提取算法。C_SURF特征提取算法的主要步骤和提取SURF特征基本一样,只是在特征点主方向分配和特征点描述算子形成2个部分考虑了图像的颜色信息,从而降低了检测的特征点数量。在图像发生尺度变化,图像发生模糊变化,图像发生视觉角度变换,图像发生亮度变化4种情况下,分析了SIFT、SURF、CSIFT和C_SURF特征提取算子的性能和效率,实验表明,SIFT特征提取算子的鲁棒性能是最好,而C_SURF特征提取算子的效率是最优的；在基于低空平台获得的视频图像稳像算法中分析4种算子,实验表明,在图像稳像精度基本一致的情况下,C SURF特征提取算法的效率是最优的；(3)针对多目标跟踪,在基于粒子滤波算法的基础上,本文提出了基于颜色和形状多特征信息融合的粒子滤波跟踪算法。根据车辆检测阶段获得的车辆运动信息,假设车辆是匀速直线运动,建立了匀速直线运动模型；根据车辆的形状和颜色特征,建立了多特征融合的观测模型。本文对视频中的单目标进行了基于颜色的粒子滤波跟踪算法和基于颜色和形状联合特征的粒子滤波跟踪算法性能分析,选择性能较好的基于颜色和形状多特征信息融合的粒子滤波跟踪算法。实验表明,本文提出的多目标跟踪算法能够有效的跟踪的多个小且分辨率低的目标。