运动车辆的检测与跟踪技术一直以来都是智能交通系统中的一个重点研究内容,目前在车辆的检测和跟踪问题上还有着很多有待解决的问题。其中动态场景中运动车辆的检测由于存在着车辆与背景两个相互独立的运动而使车辆的提取更加困难,在车辆检测的准确性上,有着很大的研究空间。论文首先对目前的光流检测方法中存在的错误光流难以完全去除的问题进行了详细的研究和探讨,并提出了一种有效的解决方法。同时采用聚类的方法准确的从动态场景中提取出车辆。最后研究了车辆跟踪技术,对车辆的遮挡问题进行了详细的讨论,并通过算法的改进,有效的解决了此问题。在车辆检测的问题中,采用Harris算子计算图像的特征点,再通过金字塔Lucas-Kanade光流(L-K光流)法计算图像的特征点光流场。随后引入矢量量化的思想对图像的光流场进行聚类,并提出了结合欧式距离和相似系数作为相似性测度的方法提高了聚类的准确性。最后计算各个类别中角点的分布方差,通过RANSAC方法对光流场中的错误光流进行粗剔除,再依据类内方差值进行精剔除。最后再依据类内方差值的大小实现车辆的提取。在车辆跟踪的问题中,深入研究了Camshift和Kalman滤波相结合的方法在车辆跟踪中的应用,并对目前的跟踪算法中普遍存在的遮挡问题进行了详细的讨论,最后通过增加区域面积约束,对算法进行改进,提高了车辆在被遮挡和有颜色干扰的情况下的跟踪的准确性。通过具体的实验表明,检测算法能够准确的从动态场景中检测出运动的车辆,对单个运动车辆的检测准确度可达93%,多车辆的情况下,在车辆数量较少且较为分散的情况下能达到80%,具有较高的准确性。同时,算法也表现出了很好的跟踪效果,在车辆被遮挡时间较短的情况下,仍然实现能够稳定的跟踪。且算法基本上能达到实时性的要求。