智能交通系统(Intelligent Transportation Systems)是一个广泛的概念。基于计算机视觉、模式识别与图像处理的交通监控系统是其十分重要的组成部分。随着我国车辆工业的蓬勃发展以及公路网络的日臻完善，越来越受到交通监管部门、高校以及科研院所的重视。 　　运动目标提取后对目标进行行为分析是几乎所有此类智能交通监控系统的核心框架。课题针对目前交通监控主要依托人工的现状，主要研究运动车辆提取和基于Mean-Shift改进算法的车辆跟踪及行为分析。解决了传统交通监控耗费过多人力以及相似智能监控系统在前景提取、阴影抑制和跟踪上面的不足。 　　运动车辆在视频流中的分割与提取是进行车辆行为分析的基础。其中，背景差分(Background Difference)与帧间差分(Frame Difference)是因为运算简单、时效性高等特点被广泛应用。针对课题的特点，论文改进了背景差分同时结合三帧差分来进行运动车辆提取。此算法在保证实时性的前提下，能更好地保证运动车辆前景的完整性。 　　完整的运动目标提取后不仅包括车辆本身，也包括运动车辆产生的阴影。阴影与运动车辆的混淆造成在识别、分割上的众多错误，因此阴影抑制是前景提取后一项重要的工作。论文基于课题特点提出一种多特征结合进行阴影抑制的算法，实验证明了方法的有效性。 　　得到经过阴影抑制的前景运动车辆后，课题选择在目标跟踪基础上进行运动车辆的行为分析。传统的Mean-Shift算法在车辆跟踪时会出现一些问题，而且不适用于多目标跟踪。为此，论文提出一种基于团块跟踪的Mean-Shift改进算法。使改进的Mean-shift成为一种满足多目标跟踪同时更为准确的运动车辆跟踪算法。 　　最后，论文根据实际交通规则，定义几种违章行为，根据运动车辆的行为分析，对跟踪车辆进行行为比对，拍摄违章图像。借此，验证了文章中的算法可以在实时性的前提下，可以很好完成交通视频中对运动车辆的监控任务。