科技的发展,带动中国现代化进程发展日新月异,智能交通系统被越来越多的机构关注。车辆目标检测作为智能交通的主要基础环节,受到越来越多研究者的关注。针对复杂的外界环境,视觉注意机制通过模拟人类视觉构造,能够聚焦显著目标区域而忽视背景信息,以便能够优先处理目标信息。传统基于人工特征的机器学习方法是使用较多的车辆目标检测方法,特征的选择依赖人的经验,因此对于检测结果的精度和稳定性很难保证。深度学习能够逐层抽取特征,将底层特征作为输入,提取到不同层次的语义信息,在图像分类以及目标检测中发挥重要作用。本文主要完成以下工作:1)图像特征点匹配进行目标检测应用较为广泛,单一尺度下图像的特征点不能充分反映图像信息,本文提出融合多尺度特征点的匹配算法。将图像在不同尺度下的特征点进行融合,然后再进行特征点匹配。实验证明,融合多尺度特征点相比单一尺度下特征点匹配算法具有更高的匹配正确率。视觉注意机制算法能够排除部分背景信息,减少无关信息的干扰;深度图像反映位置与空间关系的相关信息,确保提取目标区域的准确性;通过视觉注意机制得到的显著图与深度图像进行融合获取更精准的显著区域,将得到的显著区域进行特征点匹配。实验证明,该算法在具有较好匹配正确率的同时匹配时间也较短。2)用卷积神经网络训练车辆分类器,应用反向传播算法对网络参数进行调整;使用不同的网络模型Caffe Net、VGGNet、Goo GleNet训练分类器,并与传统的机器学习算法SVM、Adaboost以及ANN训练的分类器进行对比。实验证明,深度学习相比传统的机器学习算法具有更高的检测率;然后采用Selective Search算法将源图像提取候选区域,提交给训练好的模型应用于车辆目标检测。3)复杂的背景信息对车辆检测影响很大,首先视觉注意机制能够把注意力集中在少数显著区域;然后通过图像的背景先验和前景先验信息来提取高质量显著性区域,同时采用车辆轮廓信息对显著区域进行筛选,以获取更加精准的显著区域;最后,将提取的显著区域提交给分类器进行车辆目标检测。实验证明,采用视觉注意机制处理后的图像,相比处理之前在车辆目标检测的速率上有很大的提升;当外界环境发生光照强度、旋转等变化时仍具有较好的鲁棒性。