随着汽车数量的快速增加,行车环境日趋复杂。为了提高车辆主动驾驶的安全性和可靠性,降低交通事故发生概率,研究和开发车辆安全辅助驾驶系统具有重要的意义。同时随着计算机视觉技术的不断发展,基于视觉信息的车辆检测识别问题己成为计算机视觉领域的研究热点之一。相比于其他物体特征,车辆的外观信息丰富程度高、受环境影响比较大,这就对车辆检测算法的有效性和鲁棒性提出了较高的要求。本文在分析了车辆检测国内外研究现状的基础上,对车辆检测、特征提取等方面进行了深入的研究。首先,对车辆检测算法的几种类型进行了分析。然后对两种经典的车辆检测方法,Haar特征+ Adaboost分类器的方法与HOG特征+SVM分类器的方法,分别进行了车辆检测的试验。试验结果表明,后者的方法明显优于前者,但是仍然存在一误检率和漏检率较高的问题。为了解决上述问题,本文提出了改进的HOG特征算法(下文称之为PWHOG特征),该算法首先解决HOG特征中梯度的空间位置信息缺失的问题,然后对每个方向bin统计不精确的问题进行了改进,即对每个像素点在相邻的两个方向bin做一个精确地划分。实验表明,本文提出的算法在提高识别率的基础上明显降低了误检率和漏检率。然后,针对提出的PWHOG特征存在维数过大,导致检测速度大幅下降的问题,本文提出了一种基于Y-S线性模型的加速搜索算法。首先利用车辆尺寸与车辆在图像中的位置(Y坐标)的高度相关性进行统计,再根据最小二乘法,得到关于二者的Y-S线性模型;然后根据车辆在图像中位置,建立NG分布模型(车辆的数量与位置分布关系)。最后通过建立好的模型,对图像进行遍历并实时地更新模型。实验结果表明,本文提出的加速搜索算法在准确描述车辆的尺寸的基础上,提高了检测速度。最后,通过不同的数据库,将本文提出的算法与经典的算法分别做了大量的实验,并进行对比分析。验证了所提出的算法在提高检测准确性和降低误检率、漏检率,加速搜索方面的有效性和优越性。综上所述,本文通过经典的HOG特征进行改进,并通过所提出的加速搜索算法实现对车辆的检测,最后通过对比试验,证明本文所改进的算法的有效性和优越性。