智能交通系统(ITS)是发展现代化交通的必由之路,基于机器视觉的车辆检测和车型分类技术是推进智能交通系统发展的一个重要的研究方向,在道路交通监控系统和高速公路收费系统等方面都有着广泛的应用前景。本文以此为出发点,对智能交通系统中的车辆检测和车型分类技术进行了深入地研究和分析,并提出了一种精确稳定的车辆检测和车型分类算法,主要内容如下: 关于运动车辆的检测问题,本文在分析总结国内外现有的众多车辆检测算法的基础上,提出了一种基于中值像素灰度归类的背景重构方法,通过该方法重构的背景可以以较高的精度满足背景差分下的车辆检测问题;同时,考虑到相邻像素间的相关性,在背景更新时使用像素变化统计表,将背景区域进行分块处理,每块采用不同更新速率,从而使模型能更快的适应环境的变化。对于运动车辆阴影的干扰问题,本文将差分图像转换到SRG颜色空间进行阴影分割,实验表明在自然环境中可以得到很好的分割效果。 在车型分类方面,首先对差分图像作形态学滤波和区域连通处理,得到运动车辆的位置和轮廓,根据分类标准提取出车型分类所需的特征向量,然后分别用两种方法设计出车型分类器,一种是基于模糊K-均值聚类的RBF网络车型分类器,另一种是基于免疫算法的RBF网络车型分类器,通过在相同环境下的实验对比分析,基于免疫算法的RBF网络车型分类器在分类准确性和速度方面都优于基于模糊K-均值聚类的RBF网络车型分类器。本文首次将人工免疫算法与RBF神经网络相结合并用于车型分类,相比传统车型分类算法取得了较好的分类效果,值得在这一算法上作更深入系统的开发研究。 本文提出的方法适用大面积、多目标的复杂场景,能有效排除干扰,满足自然条件下视频监控的车辆检测和车型分类要求,具有一定的理论意义和实用价值,可以推广应用到视频监控的其它领域中。