本文针对智能交通中车辆监控系统,研究了基于视频的车辆检测、跟踪和识别算法及其应用技术。交通检测与信息采集已经成为智能交通系统中的一项重要课题,运动车辆的自动检测、跟踪、识别、背景建模和更新、阴影剔除是智能交通应用系统必备的基本模块。本文针对以上几个问题进行了研究,结合原有算法的特点和应用技术的需求提出了新的改进算法,并通过实验证明了算法的有效性。主要研究包括以下几个方面。首先,对目标检测技术进行了研究,提出了一种基于灰度相关的帧间差分和背景差分相结合的实时目标检测算法。首先提出了基于灰度相关的帧间差分算法。同时对背景建模方法进行了研究,提出了基于光照变化的自适应背景更新算法,然后在原彩色图像的HSV空间中检测和去除阴影,最后对2种算法检测结果进行相与操作,最终实现了运动目标的准确检测。实验表明本算法能够消除噪音和阴影的干扰,能有效适应不同光照条件下的场景,因此具有较高的准确性,鲁棒性和自适应性。其次,研究了复杂背景下多目标跟踪问题,提出了采用民主融合策略的基于灰度和轮廓特征相融合的改进粒子滤波车辆跟踪算法。首先研究了粒子滤波的基本原理,在观测方程方面将灰度和轮廓特征采用民主融合策略对粒子的权值进行自适应更新,并对车辆之间的遮挡进行处理,进而实现了运动目标稳定跟踪。通过实验证明,该算法充分发挥灰度和轮廓特征的优势在不同时刻不同场景下自动调节权值,一定程度上克服了目标的遮挡,对于车辆跟踪具有较高的准确性和鲁棒性。最后,研究了车辆目标的车型分类问题。手工从视频图像中提取了车辆的长、宽、高、面积、一阶矩、二阶矩作为车型分类的特征。采用一对一的多类支持向量机对车辆进行分类,然后将模糊集引入到支持向量机中,用了模糊支持向量机对车型进行了分类。通过实验证明,模糊支持向量机考虑了样本的隶属度等信息,较传统的支持向量机在车型分类方面具有较好的分类精度。