1、近年來，隨著我國車輛的擁有量越來越大，對車輛實施有效的監(jiān)管已逐漸成為相關管理部門亟需解決的重要難題。出于我國安防產業(yè)發(fā)展的需要，視頻監(jiān)控近年來迅速發(fā)展，利用視頻監(jiān)控技術對車輛進行實時監(jiān)控已成為車輛監(jiān)管的重要形式。由于傳統(tǒng)的人工視頻監(jiān)控具有一定的局限性，將計算機視覺技術融入到視頻監(jiān)控中對車輛進行智能化監(jiān)控逐漸成為視頻監(jiān)控的研究熱點。在視頻智能監(jiān)控中，車輛的檢測與跟蹤是對車輛行為分析與理解的基礎，只有在良好的檢測與跟蹤基礎上才能進一步擴展車

2、輛視頻監(jiān)控系統(tǒng)中的其它應用，因此本文主要以視頻智能監(jiān)控中的車輛檢測與跟蹤為主要研究內容，具體完成以下幾個方面的研究工作：
　　(1)在車輛檢測部分，本文通過訓練基于AdaBoost算法的車輛級聯(lián)分類器來實現(xiàn)視頻監(jiān)控中的車輛檢測，所使用的特征為樣本圖像的Haar-like特征。首先收集車輛的正負樣本并建立樣本集，然后使用積分圖快速計算樣本的Haar-like特征，最后設置訓練參數(shù)并訓練級聯(lián)分類器。所訓練的級聯(lián)分類器在通用車輛數(shù)據集的

3、測試結果表明，本文所訓練的車輛級聯(lián)分類器具有良好的檢測效果。
　　(2)在車輛跟蹤部分，本文采用了一種基于Kalman濾波的車輛跟蹤方法來實現(xiàn)視頻監(jiān)控中的多車輛跟蹤。方法首先利用車輛分類器檢測出當前幀車輛矩形區(qū)域的中心位置，然后利用Kalman濾波器建立估計模型，將車輛目標的矩形區(qū)域中心坐標和速度作為狀態(tài)參量輸入Kalman估計模型，并對下一幀車輛矩形區(qū)域的中心坐標進行預測；通過建立匹配準則，將預測的車輛矩形區(qū)域中心位置與下一幀實