随着当今社会经济高速增长,社会对交通运输的需求不断增高,交通密度也随之增大,在日常的工作和生活中,道路交通事故发生较为频繁,从而给人们造成人身和财产安全的极大损害。最近几年里,为了改善交通安全状况、预防意外事故发生,全世界各国对交通系统的管理加大了投入,并逐渐形成了道路交通管理的专项研究领域。据交通事故统计数据显示,驾驶员面临的最主要的威胁来自于其他车辆。因此,帮助驾驶员掌握驾驶环境的车载系统已经引起广泛的重视。当前的车载系统中照相机安装在车辆上而不是在公路的监控系统中。在这些系统中,具有鲁棒性和可靠性的车辆识别是第一步。但是车辆在外观分类上有很大的可变性,在形状、尺寸和颜色上各有不同,并且车辆的外观依赖他所在的位置,容易被复杂的外部环境所影响,因此使用光学传感器的车辆检测还是一个很大的挑战。随着目前图像处理和模式识别等技术的不断革新,计算机视觉在车辆识别中的应用越来越多。由于车辆的速度是与它的处理速度密切相关的,车载系统比其他应用需要更快的处理速度,但是车辆检测与多数对象检测一样,具有计算量大、检测缓慢等问题,使得它目前还不能成为一个实用程序。如何提高检测算法的速度,实现实时的检测是目前研究的一个难点。本文的主要工作是研究国内外较为常用的三个特征,即Haar、HOG、LBP,以及Adaboost学习算法,并分别基于这三个特征来训练Adaboost分类器,比较其训练时间和在车辆检测算法中的目标识别效果,得到性能较高的车辆识别分类器,从而提高车辆检测算法的实用性。三个特征的分类器训练时,就分类器对样本质量的敏感程度而言,Haar特征的分类器最敏感,因此,可以根据Haar特征的训练过程来判断样本质量,避免不必要的训练过程;就分类器整体训练速度而言,LBP特征分类器的速度是最快,并且在样本相同时,LBP特征分类器是训练级数最少的;就分类器训练时提取特征的时间而言,Haar特征的Precalculation time最长;就分类器的质量而言,HOG特征的分类器质量是最优的,它具有良好的检测率和较低的误检率;就对车辆目标的识别时间来看,基于HOG特征的识别算法是速度最快的。由于车辆检测算法的准确性关系着交通安全,因此牺牲分类器训练时间而获得较高的准确性是合理的。并且,考虑到车辆检测算法的实用性,要确保它的实时性必须非常好。因此,综合起来看,HOG特征无疑是车辆检测算法中目标特征提取时的最佳选择。