机动车检测是模式识别、图像处理和计算机视觉领域中比较重要的研究课题,在视频监控技术、内容的图像与视频检索、机动车辆识别以及人工智能等都有着十分广泛的应用前景和实用价值。机动车检测(即车辆检测),指对于给定的任意一幅图像,采用一定的算法和策略对其进行搜索判断其中是否存在车辆,若存在则返回车辆的位置、大小和姿态等。由于在现实生活中车辆经常以不同视角出现在视频图像中,为了实现检测方法的鲁棒性,就需要考虑车辆在各种复杂的背景中、不同方向、角度、尺度等情况下所展现出来的不同表象,即进行多视角检测。本文的主要工作如下：(1)在特征提取与检测方面,为提高特征的计算速度,采用Harr-like特征表示图像,并引入“积分图”的概念；同时,为提高检测速度,采用自适应推进算法来选择特征组成强分类器,并采用"Cascade"策略进行检测。自适应推进算法是Viola等人提出的一种在人脸检测中应用的技术,在取得较好检测性能的同时,实现人脸的实时检测,已基本达到实时效果,可用于多视角的车辆检测及实际应用。(2)在多视角的车辆检测器构造方面,本文采用基于Haar-Like特征和自适应推进算法相结合来构造各个视角的车辆检测器,并在训练各个视角的车辆检测器中采用Cascade方法将强分类器级联构成各个视角的最终分类器,最后在检测阶段引入视角估计进行五个不同视角的预估计,综合检测结果,得出实验结果。(3)在增加训练样本方面,为解决训练样本不足时的情况,本文引入增加训练样本机制。通过在一幅正样本图像上应用扭曲操作,产生数张训练样本,再将此过程迭代,得到上千张训练样本,解决了训练样本不足的问题,实验结果表明增加训练样本可以提高检测效果。本文通过采用Haar-Like特征表示图像,和采用自适应推进算法构建强分类器,并采用Cascade方法级联分类器,最后在检测阶段引入视角估计进行检测并得出检测结果。实验结果表明,采用基于Haar-Like特征和自适应推进算法能解决机动车多视角的问题,并达到检测的目的。