车辆跟踪技术是智能交通系统(Intelligent Transportation Systems,ITS)的一个重要组成部分,在实际应用中有重大意义。但是由于车辆自身运动的多变性以及外界环境的干扰,车辆跟踪依然有诸多难点需要解决。本文主要以“复杂地面背景下的车辆跟踪”为研究方向,研究了车辆的转弯、遮挡、光照变化、复杂背景、相机运动等因素对跟踪算法的影响。满足实际需求的算法要兼顾鲁棒性和实时性,对此本文完成的工作和贡献如下:(1)对目标进行跟踪需要获取目标的初始位置和尺寸,本文提出了一种复杂地面背景下车辆目标的快速分割提取方法。针对复杂背景下目标与背景边界灰度的不连续性,该算法提取车辆的边缘信息,结合形态学处理技术,统计连通域,根据车辆的特征去除地面干扰物,筛选车辆目标。实验证明算法可以快速准确地对目标进行分割提取。(2)针对时空上下文(Spatio-Temporal Context,STC)跟踪算法使用的灰度特征在目标形变、旋转、模糊等方面描述不足的问题,提出了一种融合颜色信息的时空上下文跟踪算法。该算法将颜色信息加入到上下文先验模型中,在形变、平面内旋转、平面外旋转、尺度等方面的跟踪效果比STC算法有较大的提升。(3)针对颜色特征的不足以及实际应用的需求,提出了一种面向复杂地面背景的车辆实时跟踪算法,算法将边缘信息加入到先验模型中,加入了一种目标丢失判别、丢失重检测的机制,改进了模型的更新策略。通过大量实验仿真,验证了算法能解决车辆跟踪过程中的光照变化、车辆转弯、相机运动、遮挡、丢失重检等问题。(4)将车辆的分割提取算法和跟踪算法在DSP芯片TMS320C6455上实现并进行优化,优化后系统的跟踪速度能达到50帧/s。通过外场实验,对实际地面场景中的车辆进行跟踪,验证了算法的鲁棒性和系统的实时性。