车辆前防撞是驾驶主动安全领域中一个重要的研究方向,其核心问题是前方车辆的检测、确认和跟踪。而前方车辆的检测、确认和跟踪问题主要是针对前方车辆的车尾进行处理操作,本文主要对车尾的检测、确认和跟踪问题进行研究,主要内容如下：(1)提出了一种基于车底阴影的车尾粗定位方法。本文使用改进的高斯混合模型聚类算法对交通图像中的目标即路面、车道线、车辆、车底阴影进行聚类,利用高斯阴影模型的均值与方差自适应阈值分割图像,从而提取路面与车底阴影的交线,最后利用车尾的长宽比和阴影线信息获取车尾位置。该方法不仅能有效的对车尾进行粗定位,且能够适应白天不同时段光强的变化。(2)研究了Haar-like和HOG两种不同的车尾特征提取方式,提出了一种改进的基于Haar-like和Adaboost的车尾验证方法,有效排除车尾粗定位阶段产生的虚警。本文使用Adaboost和SVM分类器分析比较了两种特征提取方法的差异和车辆识别效果。为了更好的突出车尾水平和垂直边缘特征,降低图像光照不均带来的影响,增加分类器的识别能力和鲁棒性,本文使用梯度图像提取Haar-like特征和Adaboost分类器自增量训练方法。(3)研究了Kalman滤波和粒子滤波两种车尾跟踪方法,对上一阶段得到的车尾进行跟踪。本文首先介绍了这两种车尾跟踪方法的实现原理和其在实现过程中的优缺点,然后在车载摄像机采集的视频上测试了两种方法的车尾跟踪能力并分析其跟踪结果。基于粒子滤波的车尾跟踪结果优于Kalman滤波方法,但随着粒子数目的增加,计算复杂度增高,在重采样阶段会造成粒子多样性和有效性的损失。(4)实现了一种改进的基于TLD算法的车尾跟踪方法。基于TLD算法的车尾跟踪通过跟踪模块和检测模块的相互结合,并使用P-N学习模块不断更新跟踪模块的特征点和检测模块的目标模型,能够实现稳定可靠的车尾跟踪。本文使用目标估计方法代替了原始检测模块中滑动窗口的方法,在不损失检测精度的前提下,加快了目标检测速度,更好的满足了系统实时性的需求。