在智能交通系统领域中,车牌识别、运动车辆检测、车型识别和车辆跟踪等问题一直是比较重要的研究热点。而数字图像处理与分析技术由于自身的特点和优势,被日益广泛地应用到智能交通领域中。本文结合实际项目,基于图像分析、模式识别和智能算法等方法,对交通场景下车辆信息的识别和跟踪问题进行了深入研究和探讨,主要包括车牌识别、运动车辆检测、车型识别和车辆跟踪4个方面。1、本文研究了车牌识别问题。提出了固定场景灰度图像车牌定位、自适应大小车牌定位及模板匹配快速定位三种车牌定位方法。其中,针对采集图像中车牌大小变化的情况,提出了大小自适应定位的问题,并设计了一个大小自适应的车牌定位思路,可以有效避免常规方法中采用数学形态学操作时的结构元素的选择问题。本文针对常规的基于连通域的字符分割方法和基于投影法的字符分割两种字符分割方法,进行了改进,使之能更好地对车牌字符进行有效分割。并对夜间车牌图像定位与字符分割做了初步探讨。本文也讨论了基于径向基神经网络的字符识别方法。实验结果表明,本文提出的算法是有效的,取得了较好的识别效果。2、在运动车辆检测中,如何检测与背景相似的运动车辆一直是一个困难问题。本文在武汉交通视频监控场景下,对与背景灰度相似的运动目标的检测问题和如何采用非参数核密度估计方法进行背景和前景分类的问题分别进行了分析和讨论。提出了利用非参数核密度估计方法(KDE)结合边缘模型来确定与背景相似的运动目标,修复其可能的缺失区域的车辆检测算法。针对KDE算法中的各个要素,本文提出了自己的确定方法。实验结果测试表明,本文提出的车辆检测方法能够较好地检测与背景相似的运动车辆。3、本文将粒子群算法具体应用到车型识别领域,提出了基于粒子群方法和决策树的车型识别方法。通过选取大小、形状、边缘特征等相应的特征,进行粒子群编码、适应值函数设计,然后训练样本,取得了较好识别效果。此外,本文将云模型理论具体运用到车型识别领域,通过求取各类车型的云模型参数,并结合属性相似度,来求取各个特征的在分类中的权值,然后根据云分类器和决策树进行车型识别。根据实际图像系列进行测试,车型分类效果较好。4、如何准确跟踪与背景灰度相似的运动目标一直是一个比较困难的问题。本文通过对均值漂移跟踪算法和粒子滤波跟踪算法的研究,针对实验场景,设计了改进的多种特征融合的特征提取算法,将边缘特征和颜色特征结合起来,进而对复杂背景环境下的多车辆跟踪问题进行了研究和探讨。实验表明,本文设计的特征提取方法用于解决复杂背景环境下的车辆跟踪问题是行之有效的。