随着城市的发展,隧道的出现一定程度上缓解了交通的压力。为了保证隧道内部车辆的正常行驶,监测异常情况并能及时处理,需要建立一套比较完善的城市隧道视频监控系统。而在视频监控系统中,对车辆的检测与跟踪一直是关键技术。本文主要研究城市隧道(简称隧道)监控视频中的车辆检测与跟踪算法。将离线训练与在线学习相结合来提高车辆跟踪的准确性,从而可以更好地监测隧道内车辆的运行情况。首先,分析城市隧道监控视频中的实际情况,提出一种适用于隧道环境中的去噪处理方法,能够在去噪的同时比较好地保存图像边缘细节特征。然后通过分析对比几种车辆检测算法的应用,采用自适应背景模型,并改进背景更新的策略,即利用前一帧的背景来把当前帧的前景与背景分离开来,并把前N帧里与当前帧中所对应前景的像素点做统计平均,来构造背景图像,使检测效果在最大的程度上保证了背景图像的真实性与实时性,最后利用形态学来完善提取的车辆区域。在车辆分类器的离线训练阶段,通过分析隧道环境中的车辆特征,提出一种多特征融合的离线训练方法。该方法提取车辆的颜色特征、边缘特征以及Haar-like特征来训练弱分类器,弥补了单一特征的不足,以分类器分类时出现的错误率来重新赋予相应的阈值,从而加快离线分类器的训练速度。为了更好地测试该分类器的分类检测能力,以串行级联的方式将最终的级联分类器对目标区域内的车辆进行判断,相比于单一特征的分类器,分类精度提高了约10%。在车辆跟踪阶段,针对现有的跟踪方法无法适应隧道行车环境中车辆尺度变化而产生的跟踪问题,提出一种基于Boosting的离线与在线学习相结合的运动车辆跟踪方法。该方法首先用离线多特征分类器来判断提取到的感兴趣区域是否为车辆;然后在在线跟踪的过程中以该离线分类器作为初始选择器以及通过meanshift方法预估初始位置减少搜索时间和区域,并通过离线分类器来处理车辆目标跟丢的问题。最终通过试验对比结果表明,本文跟踪算法的误差相比于Online-Boosting算法减小了25%,比TLD跟踪算法减小了5%。在多车辆跟踪方面也能够很好地适应隧道环境。