En este trabajo se ha implementado una arquitectura para el conteo y clasificación vehicular. Se aplica la Computación Acumulativa para detectar al conjunto de vehículos en movimiento y discriminar los píxeles estáticos, se hace la segmentación a través de Funciones de Densidad de Probabilidad (FDP) de Ventanas de Parzen, para obtener un núcleo Gaussiano en cada objeto; la altura de cada pico de Gauss representa el volumen del vehículo. Por último se hace el análisis de varianza ANOVA, para validar la similitud de los vehículos y seguirlos de un instante al otro. Se obtuvo un conjunto de muestras para determinar los umbrales de calibración en la eliminación de ruido y píxeles estáticos, anchos de ventana para el cálculo de las FDP, el nivel de significancia en los análisis de similitud y la eficiencia en el algoritmo de seguimiento propuesto. Los resultados obtenidos pueden ser mejorados, ya que al incrementar el número de objetos en escena, se alcanzan niveles de error del 54%, los métodos evaluados por separado dan buenos resultados. La detección de objetos junto con el análisis de similitud y una buena calibración, puede llegar a niveles de eficiencia del 95%. Los altos niveles de error en la evaluación del sistema se deben al lugar experimental, ya que se intentó cubrir con una sola cámara los ocho accesos de la escena, y esto provoca un gran número de objetos ocluidos. Se propone como trabajos futuros implementar un sensor de video en cada acceso y utilizar la técnica de ANOVA para analizar la similitud entre los objetos detectados en una cámara y otra, o cambiar la experimentación a una carretera de un solo carril.