随着经济的发展和城市化步伐的加快,交通拥堵现象频现,由此导致的交通事故频发,与科技相关的智能交通则越来越受到人们的关注,相关的对象检测技术也蓬勃发展起来。在众多的物体检测技术中,车辆的检测是比较困难的一类,因为车辆本身的复杂性,例如具有各种不同的车型,不同的颜色,甚至其呈现出来的外形也随着个人视觉角度的不同而不同。现有的车辆检测算法由于其各方面的局限性,同时随着应用场景的变换,并不能都达到很好的检测效果。由此本文也对此进行了相关探究,本文的主要工作如下:(1)实现了基于HOG特征和SVM分类器的车辆检测。HOG由于它较好的边缘特性,且体现出较强的鲁棒性,所以本文使用HOG特征来描述车辆轮廓。支持向量机SVM由于其良好的二分性特点,加之简单易用,所以在本文中使其与HOG结合使用。不过在实际场景中,交通道路的情况是比较复杂的,车辆就会呈现出不同外形表现,因此本文训练多个不同形状的分类器分别进行检测。(2)通过对检测时间的分析,对其中的部分算法进行了并行优化。由于使用了多个分类器,加之HOG特征本身维数较大这一缺点,使得这样在计算时间上会显得较长,所以本文分别对车辆检测的两个阶段进行并行化处理,在学习阶段对HOG算法进行并行化,根据HOG特征的具体计算步骤,分别在梯度计算、单元格直方图以及归一化处理中进行优化,此外,在检测阶段也对图像缩放和窗口扫描与合并进行并行化,这样就能减少一定计算量,弥补了一定的时间消耗。基于上述工作实现的车辆检测,经过试验测试,能够较快的、较准确的识别出目标图像中的大部分车辆。