1999年,全球大约有80万人死于道路交通事故,经济损失超过5180亿美元,约占当年全球国民生产总值的1.7%,在此背景下,智能交通系统(Intelligent Transportation Systems, ITS)被人们提出,并且逐渐成为世界各国争相研究的课题,而数字图像处理技术由于其自身的特点和优势,融合了计算机视觉、模式识别、人工智能、自动控制等诸多领域的先进成果,被越来越多的应用到智能交通系统中。近几年,基于视频的车辆跟踪技术作为智能交通系统中必不可少的一步,成为诸多学者的研究热点。目前多数跟踪算法是在理想环境下(清晰视频,车辆始终保持水平,跟踪过程中没有遮挡)对车辆进行跟踪。但是,考虑到现实车辆行驶过程中自身的多变性(尺度缩放,姿态变化)和周围复杂的环境变化(遮挡物和车间遮挡),使得车辆在现实场景中准确跟踪仍然存在诸多难点。本文通过深入研究车辆自身的复杂变化,提出了改进的结构化输出支持向量机跟踪算法。该算法针对视频模糊、尺度和姿势变化、部分或完全遮挡这三个问题对结构化输出支持向量机跟踪算法进行改进。针对跟踪视频模糊及阴影问题,采用多尺度Retinex算法对视频图像增强,提高背景目标的对比度,改善特征提取精度。针对跟踪过程中车辆尺度变化、车辆姿态变化的问题,提出基于仿射变换运动估计的自适应跟踪窗算法,使跟踪窗始终都能保持和车辆大小一致,倾斜角度一致,降低冗余背景信息对跟踪算法的影响,提高跟踪精度。针对车辆部分、全部遮挡,提出基于互信息模板匹配的遮挡处理算法,通过与模板进行互信息匹配,检测目标是否发生遮挡,并确保车辆离开遮挡后跟踪框重新跟上目标。利用本文算法对不同的车辆跟踪数据集进行测试,实验结果表明,本文算法可以很好的处理跟踪过程中车辆和背景的复杂变化,相对于原始目标跟踪框架,基于改进的结构化输出支持向量机跟踪算法跟踪精度有了很大提高。