视频车辆轮廓检测技术作为智能交通中的关键技术,在日常生活中有着广泛的应用前景。而智能交通对于视频车辆轮廓检测技术也有着实时性和准确性等严苛的要求。而在检测时,视频图像中复杂的背景以及各式各样的干扰,是目前视频车辆轮廓检测技术面临的问题。而随着国内外学者的不断努力,各式各样的检测算法层出不穷。Adaboost算法是近些年来比较流行的机器学习算法,在人脸识别领域有着出色的表现。同样,adaboost算法可以应用于视频车辆轮廓检测领域。本文根据经典的adaboost算法,在其基础上做出了一些改进,研究工作如下:(1)介绍视频车辆轮廓检测技术研究的背景意义,了解其中面临的问题。(2)介绍分析几种现有的视频车辆轮廓检测算法,了解其原理,并总结出存在的问题。(3)详细了解adaboost算法,理解其原理和实现过程,依次介绍haar特征、积分图以及分类器的训练及选取过程。(4)提出一种改进的adaboost算法进行视频车辆轮廓检测。首先,针对算法学习过程中,haar特征计算量过于庞大且耗时的现象,提出了对训练样本进行裁剪,去除样本边缘像素,有效减少特征数量,从而降低了计算量。(5)Adaboost算法检测在对视频图像进行检测时,滑动子窗口会在待检图像上依次滑过,图像中无关信息都需要被检测一遍,相当耗时。提出了使用光流法来获取视频图像中的运动区域作为感兴趣区域,在感兴趣区域中使用canny算子进行边缘检测,通过边缘能量筛选感兴趣区域,排除非感兴趣区域。最终使用adaboost算法对感兴趣区域进行检测,减小了检测区域降低了检测时间。(6)通过设置阈值来对检测结果进行筛选,提升准确率。结合算法的优点和不足对未来的发展进行展望。