利用车辆特征点聚类分析车辆目标是机器视觉领域一个重要应用。目前已有的特征点聚类方法大都基于二维图像平面,利用特征点之间的位置关系及特征点轨迹的运动约束进行聚类。这种方法在摄像机架设较高,视觉较开阔的情况下可以得到有效的聚类结果,但在摄像机架设较低、视角偏差较大、车辆拥堵较严重的视频场景中,由于存在车辆遮挡、车辆粘连等现象,这类方法并不适用。本文研究了车辆特征点的3D参数估计方法,并提出一种迭代的聚类算法框架,通过对特征点进行初聚类、精细聚类和类间合并完成聚类分析。初聚类过程中首先分析特征点的逆投影变换,再采用改进的K-means聚类算法对特征点的逆投影点进行初聚类,得到初步类别。基于初聚类结果对特征点的逆投影速度和三维高度的关系进行分析,估计特征点的3D参数。将3D参数与设定的车辆三维模型相匹配,对特征点进行剔除和重分配,实现精细聚类。最后利用特征点的三维轨迹间运动约束,判定两两类别是否属于同一车辆目标,完成类间合并,得到最终的聚类类别。将该算法框架应用于实际交通场景,可以得到较稳定的聚类结果。统计一定时间内经过某一检测区域的类别数获取车流量,准确率可以达到95%以上。同时通过估计各类别内特征点的3D参数,以此与车辆模型做匹配,可以估计车辆类型,实现车型分类,准确率可以达到90%以上。