随着视频监控系统在交通领域的不断应用,基于计算机视觉的运动汽车跟踪逐渐成为智能交通监控系统的基础,用于车速的检测和车辆之间信息的获取。在实际的跟踪应用中,汽车目标特征的多样性和所处环境的复杂性,都成为目标跟踪过程中所不可避免的限制因素。因此亟需一种稳定性高、鲁棒性强的视频目标跟踪算法来应对这些难题。为了对公路上的运动汽车实现实时、稳定的目标跟踪,本文针对运动汽车所处环境的复杂性,对运动汽车的目标检测与跟踪方法做了深入研究,具体的工作如下:1)结合课题的研究背景,根据视频跟踪的国内外发展状况,对目标检测与跟踪的研究现状进行了分析,提出了运动目标跟踪技术可能面临的难点。2)在图像预处理阶段,针对图像在视觉上存在的椒盐噪声,实验对比分析,最终选取中值滤波进行椒盐噪声去除。详细分析三大常用的运动目标检测算法,运用混合高斯模型来描述背景,针对因光照、摄像机抖动而产生的背景信息强烈变化,引入了度量因子来适应目标所处环境的变化,并实时更新背景,实现背景差分法与帧间差分法的自适应切换。实验结果表明,该算法能抵抗因环境变化所产生的信息干扰,较好的实现了对运动目标的准确检测。3)针对运动目标在公路上可能出现的背景干扰,设计了对感兴趣运动汽车的Mean Shift目标跟踪算法,通过手动选取目标矩形区域作为初始化搜索窗口,基于RGB核直方图建立目标模型,不断寻找最优的窗口中心点位置。实验表明,该算法下,目标可以克服光线、阴影、部分遮挡等背景因素干扰,而实现对目标的实时跟踪。4)针对均值漂移算法在目标跟踪时,对快速运动汽车和遮挡处理的能力不足问题,运用粒子滤波的理论知识,提出了基于粒子滤波的运动汽车目标跟踪的算法设计,通过随机采样粒子与更新权值等运算过程,实现了对感兴趣运动汽车的稳定跟踪,更好的解决了目标跟丢问题,实验仿真验证了算法的有效性。5)针对粒子滤波计算复杂度大的问题,综合均值漂移和粒子滤波算法的优点,提出了将Mean Shift与粒子滤波算法相结合的运动目标跟踪算法。通过对权值重分配的采样粒子进行聚类算法和观测模型位置估计,使得粒子分布不断接近目标的真实位置。针对公路上的光照变化、阴影干扰、遮挡现象,实验对比,验证了该算法的实时性与鲁棒性,实现了对感兴趣运动汽车更准确、稳定的定位与跟踪。