伴着车辆数目的逐步增加,行车安全问题也跟着备受关注。智能交通监控系统中的车辆检测问题一直是备受关注的热点问题,车辆检测系统在白天场景下的研究已经比较成熟;在夜间车辆检测中,主要采用的是车辆的车灯特征进行车辆检测,但是在这种亮度较暗、车况比较复杂的这种场景下,还是存在一些问题,比如,车灯在路上的反射光会对车灯的检测形成明显干扰,影响车辆的正确检测;同时白天场景下常用的检测方法无法适用到夜间场景中。为了解决路面反射光对夜间车辆检测的干扰问题,本文提出路面反射光和车灯的分类方法,消除反射光对夜间车辆检测算法的干扰,并且通过跟踪方法对检测到的车辆进行跟踪,有效消除检测过程中可能出现的误检与漏检情况,提高道路车辆的准确检测效果。本文的主要研究工作包括以下三个方面:第一部分的工作是针对基于车灯特征的车辆检测中,路面反射光干扰问题,根据车灯和反射光之间亮度梯度的差异,提出了使用不同的分类方法,对路面形成的反射光进行剔除处理。首先,依据阈值分割法对感兴趣区域进行处理,初步过滤出亮前景区域;然后,利用滤波与Bouguer的衰减指数定律,根据前车灯和反光区域在梯度上的差异性,构建对应的数据统计特征;最后,使用数据分类中几种比较常用的数据分类方法:马氏距离、K近邻密度估计技术、基于贝叶斯决策理论的分类法、决策树学习,对相应的统计特征进行分类,消除反光干扰,实现车灯准确检测。第二部分的工作是在前一部分研究的分类方法的基础上,根据车灯和反射光的亮度方差的显著差异构造新的方差特征,目的是优化车灯和反射光的分类方法,来进一步提高夜间车辆检测的性能。使用一种新的性能较优的决策树学习方法,并且进一步研究能更好描述车灯的特征,发现前车灯和反射光之间在方差特征上有较大的差异性,在本场景中可以利用方差特征去较好的区分出车灯区域与路面反光区域,从而据此我们提出了基于方差特征的夜间车辆检测,并且通过实验结果证明在前一部分的基础上,本部分工作实现了车灯的更准确有效的检测。第三部分的工作主要是针对道路交通场景下的视频是由多帧图像组成的这一信息,提出了一种基于邻域的车辆跟踪方法。在对已有的跟踪算法研究与分析的基础之上,对检测到的车辆进行跟踪,通过跟踪来有效消除车辆检测过程中可能出现的漏检与错检情况,这种方法可以有效确保整个夜间车辆检测系统的稳定性和准确性。本论文在Visual Studio 2010环境下,完成夜间监控中行车的监测和实时追踪。由监控场景下不同亮度的车辆视频的实验结果证明本论文提出的方法有更高的检测率,更好的场景亮度适应性,并且实时效果较佳。