近年来,随着人们车辆拥有率的提高,智能交通系统(ITS)在诸多提高交通运输能力的方法中,已经占据了最主要的地位,并日益得到研究人员的关注。考虑到交通运输管理的未来发展趋势要求在交通环境中实现在线监控和更加详细的信息收集,图象分析和计算机视觉技术迅速被应用于交通视频分析中,以求实现诸如车辆量统计,车型分类及拥塞检测等功能。事实上,目前已经公认基于视频的监控系统在交通参数估计方面比其他的系统更加全面、通用。当然,这种技术往往受限于失败的车辆分割或是检测错误。在过去的数年中,人们进行了大量的研究工作并开发出了多种车辆监控系统。在前人研究的基础上,本文提出了一套鲁棒的、实时的方法,以处理一系列由固定安装在路边的独立视频摄像机所提供的交通视频图象,从中检测车辆;在摄像机的整个视野中跟踪其运动轨迹;并最终对车辆的类型进行分类。该算法主要包括三个方面:运动区域提取、车辆跟踪以及车型识别。运动区域提取算法分为三个步骤:首先,利用背景差分算法从当前输入的系列图象中提取出运动区域;其次,消除运动车辆自带的移动投射阴影;最后,检测车辆,以便每一个目标都仅对应事实上的一辆车。分割后的车辆形状可以用一个简单的矩形模型来描述。基于此,本文分三步实现车辆跟踪:首先,从每一个矩形模型中提取车辆状态特征,并且利用卡尔曼滤波预测其在下一帧视频中的状态;随后,在已预测的数据和新到来的数据之间进行特征匹配,以便获得跟踪结果;最后,更新卡尔曼滤波的新息,并根据预测误差功率计算新的卡尔曼增益,以便递归执行下一次预测。最后,我们还需要通过支持向量机的方法来对车辆类型进行分类。在上述处理过程中,我们发展了一种利用连续三帧视频的差别消除运动目标区域的方法来构建初始背景,提出了自己的基于统计策略的实时背景更新算法,并针对运动投射阴影可能被检作车辆的一部分而降低交通流参数检测的精度这一问题,根据运动投射阴影的一般属性,尤其是运动投射阴影与背景路面的相似性,提出了一种有效的阴影消除算法。同时,在仔细研究了车辆的各种特征之后,我们提出了一种基于亚特征点的投影分割方法以实现车辆确认,该方法采用了车辆亚特征点的位置信息和颜色信息,并基于Kalman滤波进行车辆跟踪。提取车辆的亚特征点时,一般以运动目标的角特征点为亚特征点。但是考虑到角特征点往往非常凌乱,并且数目众多,因此需要进行一次预处理。我们通过膨胀算法将部分角特征点合并成一个角特征块,然后再利用细化算法将其收缩至中心点,从而准确的提取出所需要的亚特征点。与其他方法相比,本文的改进方法对车辆的跟踪更加精确。在车型识别方面,我们选择了结构矩为车辆特征,以支持向量机方法为学习分类器,并获得了较高的车辆分类精度,在一定程度上解决了车辆分类难的问题。我们的方法经过了大量的单目交通图象序列的试验,对这些现场视频进行处理的结果表明:本文的方法确实是实时且有效的。