作为智能交通系统(ITS)的重要组成之一,基于视频的车辆检测与跟踪技术在交通参数的提取、交通监管和诱导等方面发挥了很大的作用。目前对于光照条件良好环境下的车辆检测与跟踪技术已经相对成熟,但对于其他特殊天气情况下的研究则相对较少。由于雾天环境下路况复杂、行车危险系数成倍增加,因此,雾天环境下的车辆检测与跟踪技术研究对于极端天气条件下交通安全管理具有重要意义。本文针对雾天环境下的车辆检测与跟踪技术开展研究,主要工作与成果如下:(1)研究了薄雾环境下的车辆检测方法,提出了一种自适应的混合高斯(GMM)车辆检测方法。首先使用阈值分割方法对雾天退化图像进行增强处理,增强图像的对比度。其次利用混合高斯初始化背景建模,根据高斯匹配的结果进行参数的更新及车辆的检测,并通过连续帧间差分法进行背景的更新。为了解决传统GMM方法K值固定导致计算量大,和一旦匹配成功即将当前像素值代替权值最小的高斯分布导致背景精度不高的问题,在匹配的过程中对K值进行自适应增减,并通过连续的最佳高斯分布匹配建立背景模型。最后利用形态学处理、区域生长法提取车辆的最小外接矩形框。实验表明,相对于经典的GMM方法,该方法计算量更小、提取的车辆更清晰。(2)研究了浓雾环境下的车辆检测方法,提出了一种基于车辆前照灯和雾灯关联配对的检测方法。通过自适应的阈值计算,完成车灯的初始分割。采用形态学和区域生长法提取连通区域,获取车辆的最小外接矩形框。根据外接矩形框的特点及车灯之间的关系进行车灯配对,并根据车辆前照灯和雾灯之间的位置关系对其进行关联匹配,完成车辆的检测。针对浓雾天图像中路面反射光的问题,本文利用反射光的对称性及邻域特征实现了反射光的剔除。(3)研究了雾天环境下的车辆跟踪方法。根据雾天车辆检测方法提取的矩形框,计算其多个特征值,通过Kalman滤波预测车辆在下一帧中的位置,并以该位置为中心进行车辆特征值的匹配,匹配系数最高的车辆即为目标车辆,从而实现了车辆的跟踪。该方法利用Kalman滤波进行预测,缩小了搜索范围,减少了算法的计算量。