视频图像中的车辆检测是计算机视觉和智能交通的一个研究热点,其应用已经出现在视觉智能交通的多个领域,如交通视频安全监控和车流量统计等。经过众多学者的努力,视频图像的车辆检测技术取得了丰硕的成果,检测结果较以前也取得了较大的提升。然而,由于现实场景复杂性,尤其是检测环境较为多变复杂,目前的视频图像车辆检测技术还存在较多有待进一步分析和解决的问题。基于此,本文首先学习并分析了视频图像的车辆检测技术在现阶段的相关算法,并在此基础上结合车辆检测场景中出现的问题,从提高检测的实时性、准确性和鲁棒性三个方面,对车辆检测技术做了新的尝试。总结起来,本文主要做了以下工作：1、本文从特征分类检测和背景减除检测两个方向,深入地介绍了视频图像中的车辆目标检测理论,以及在现阶段已提出的经典检测算法,并阐述了这些算法在车辆检测中的研究和应用。针对车辆检测应用场景中存在的各种问题因素,通过车辆检测实验,对这些检测算法进行了实验测试和比较,分析了现存检测算法各自的优点和不足,以及各算法在实验测试中出现的检测结果。2、针对特征分类检测模型的车辆检测,本文首先分析了采用特征提取结合机器学习进行车辆检测的框架理论,阐述并分析了其中的特征提取方法及机器学习理论。针对当前单一特征在特征分类车辆检测中存在描述信息不足的问题,本文在特征模块采用了梯度特征和几何特征的联合特征,HOG-Haar特征对车辆进行描述,提高了对车辆的特征描述能力,并采用积分图加快了特征提取计算的速度,采用PCA方法对特征向量进行降维处理,加快了分类器学习和检测的效率,排出了冗余信息对车辆检测精度的干扰。最后联合级联分类算法阐述了采用多特征级联分类的车辆检测方法,对该检测方法进行了车辆检测实验,并与其他算法进行了对比和分析,实验检测结果证明了本文所述检测方法的正确性。3、针对背景减除检测模型的视频车辆检测,本文首先分析了背景减除的框架理论,然后分析了现阶段存在的具有代表性的背景减除检测算法,并采用这些算法结合实际视频场景进行了车辆检测实验测试,分析了对应的实验结果。然后针对这些检测算法在车辆检测中存在的问题和挑战,本文在基于LBP纹理特征的背景减除和ViBe背景减除的基础上,采用了一种ViBe结合改进LBP特征的背景减除车辆检测方法,并结合实际检测场景,对本文所述方法进行了车辆检测的测试实验,与其他算法进行了检测对比和分析,测试和对比分析结果验证了本文所述背景减除方法在车辆检测中的可靠性。