隧道内发生车辆违法变道行为较露天更易引起交通事故,且事故造成的后果也更为严重,因此对车辆进行实时检测跟踪,及时发现并处理违法变道行为显得尤为重要。传统的人工抓拍方法需要耗费大量人力物力财力,而基于视频的自动违法变道检测可大大地减少各方面的投入,具有很好的应用前景。在隧道场景下,由于图像质量、隧道灯光变化以及车灯的影响使得常用的提取整车目标进行违法变道检测的方法效果不理想,而车灯作为车辆在隧道中最显著的特征,提取车灯相比于提取整车目标更为容易。因此,设计与实现一种基于车灯跟踪的高速公路隧道变道检测方法,具有重要的理论与实际意义。本文针对高速公路隧道这一特定场景,在分析了基于车灯跟踪的高速公路隧道变道检测的问题及难点后,重点研究了高速公路隧道场景车辆车灯的提取、适用于隧道场景的车灯跟踪以及变道判别方法,最终形成一套基于车灯跟踪的高速公路隧道变道检测方法。主要研究内容包括以下两点:(1)在车灯提取方面,首先运用感兴趣区域提取以及图像增强的方法去除隧道视频图像中存在的噪声干扰,同时增强了车灯区域与背景区域的对比度。然后针对常用的目标分割方法分割车灯效果不好的问题,在分析了车灯区域的高亮度特点后,给出了一种基于梯度信息的车灯分割方法,该方法有效地提高了车灯提取的准确度,最后针对实际的高速公路隧道监控图像中的车辆存在双尾灯以及高位刹车灯会影响后续车灯跟踪的实时性的问题,对分割出的车灯进行了尾灯匹配以及高位刹车灯匹配。(2)在车灯跟踪方面,针对高速公路隧道光线差、摄像视角低导致常用的目标跟踪方法跟踪效果差、容易丢失跟踪目标的问题,采用基于特征匹配的Kalman滤波跟踪方法跟踪目标,该方法能够准确并实时地跟踪目标。针对隧道场景易发生车辆遮挡的问题,给出了一种多车相对位置与Kalman预测结合的跟踪方法。实验结果表明,该方法提高了隧道场景下车灯跟踪的精度。最后,综合总结上述研究成果,形成了一套基于车灯跟踪的高速公路隧道变道检测方法,并在Visual Studio2015配置OpenCV2.4.9的平台下完成设计并得到实现,实验验证使用的视频数据来自实地采集的渝武高速公路隧道监控视频。实验结果表明,使用本文所提方法可以准确地提取出车灯目标,且在保证算法实时性的前提下,提高了高速公路隧道场景下变道检测的准确性。