据统计,我国机动车保有量已达3.04亿辆,驾驶员达3.71亿人,全国高速公路通车里程达13.1万公里,位居世界第一,中国已经大踏步进入“汽车时代”。面对如此迅猛发展的庞大交通体系,人们对于智能交通系统(Intelligent Transportation System,ITS)的需求日渐迫切。ITS是由一系列以有线和无线为基础的信息、控制和电子技术构成,当将这些技术集成到交通系统基础设施和车内时,这些技术帮助监视和管理交通流、减少拥挤、为出行者提供可选路线、保障安全、节约时间和费用。对智能交通系统而言,车辆检测技术和车辆识别技术直接决定了系统的实用性。技术层面上,实际交通道路中收集到的车辆图像信息易受到不同程度光照、遮挡、角度、扭曲等客观因素的影响,而这些干扰对提高车辆检测和车辆识别的准确性提出了更高的要求和挑战。文章主要针对以上问题进行了深入研究。文章对单一不变场景条件下图像中的车辆检测方法进行了研究。针对由前、背景对比度较差导致的车辆目标丢失、模板更新不及时等问题,提出了一种可实时更新的自适应模板库解决方案:先将从视频中提取出的连续序列帧图像做差分运算,得到多个待检测目标,然后将这些目标与模板库中的模板进行逐一对比,计算其最大归一化相关度,进而将相似度最高的目标作为车辆提取出来。为了提高算法的时效性,在处理过程中采用了腐蚀计算、稀疏处理、全矩阵运算等方法。实验结果表明,本文所提出的解决方案能够有效实现复杂环境中的车辆检测,并达到实时处理的要求,满足实际应用所需。进一步,为了解决上述方法中对于单一不变场景条件的限制,文章采用基于特征提取的方法,对基于深层卷积神经网络(Deep Convolutional Neural Networks,D-CNN)的车辆检测方法进行了研究:先对图像进行预处理,将像素点按照一定规则合并成区域块,再根据区域块之间的相似性合并成待检测框(即指定区域内可能包含车辆的矩形框),然后在Caffe(Convolutional Architecture for Fast Feature Embedding)架构下建立深层卷积神经网络来提取每一个待检测框的深度特征信息,最后利用LibSVM分类器进行判断实现对车辆的检测。该方法与经典的方向梯度直方图(Histogram of Oriented Gradient,HOG)等方法进行了比较,实验结果表明,在准确率相同的条件下,本文方法能够有效提升召回率(即查全率),实现对实际道路中常见的小轿车、面包车、大型卡车等各类车辆的检测,有效克服光照、遮挡、角度等自然环境造成的干扰,表现出较好的普适性。更进一步,针对车辆多种属性的分析问题,文章提出一种改进的基于加权多任务深层卷积神经网络的车辆多属性联合分析策略,将经典的多任务学习机制(Multi-tasks Learning,MTL)与D-CNN相结合。与传统的MTL方法不同,该方法对主要任务和辅助任务进行了分离处理并赋予了不同的加权值,使得对主要任务训练出的模型性能更优。在公开的车辆数据集CompCars(Comprehensive Cars),以及从我国新疆省乌鲁木齐地区采集到的车辆数据集上进行了单任务、双任务、多任务等验证性实验,并通过主、辅任务分离实验验证了方法的有效性。实验结果表明,本文所提出的方法可对车辆相关的多种内部属性及外部属性进行联合分析,在CompCars车辆数据集上,将车辆属性识别、车辆预测等多项性能指标的准确率提升近10%,具有较好的应用和推广前景。