经典的先进驾驶系统(Advanced Driver Assistant Systems),利用了车辆上安装的各种类型传感器,实时收集周围路况信息。并通过基于传感器的实际算法,从而使驾驶员在最快的时间察觉可能发生的危险。在整个系统中,基于车载摄像头的车辆检测起到了尤为关键的作用。通过对获得的图像进行处理和识别,可以对驾驶员在一定程度上提供帮助。这项技术所被运用的领域非常广泛:例如自巡航智能车,辅助驾驶系统,自动泊车系统等等。所以如何提高车辆检测的准确度,成了近几年来热门的话题之一。针对现有的车辆检测方法,本文发现了一个较为普遍的问题:现有的大部分研究都将所有的车辆样本放到同一个分类器中进行训练。考虑到不同方向姿态下的车辆,本身存在着外观特征差异。这样的做法会让整体的准确率有所下降。基于这种因素,本文提出了一种基于车辆姿态方向的算法。通过提取消失点,来预先获得车辆姿态方向与尺度。然后根据其方向与尺度信息,将其放到不同的分类器进行检测,以此来提高车辆检测准确率的方法。新算法的思路,来源于对道路上行驶现象的观察:道路上正常行驶的车辆都会驶向消失点方向。所以根据待检测车辆与消失点的相对位置,我们就可以预先知道待检测车辆的姿态方向。但是在尝试过现有的消失点检测方法后,发现其在准确率与实时性上,无法达到我们研究环境的要求。所以根据现有方法的优缺点,本文提出了一种新的消失点检测方法。利用将图片分成小块,分别计算每个块状区域像素的灰度图像信息,以及HSV空间颜色信息的直方图算法来选择有助于消失点计算的区域。除此之外,为了证实新方法的有效性,本文利用现有的车载摄像头图像数据,人工创造了一份新的车辆检测的数据库。与传统的车辆样本数据库不同的是,新的数据库根据与消失点的位置,关系包含了所有样本的方向信息与尺度信息。这些信息在实行分类检测算法的时候,起到了至关重要的作用。在论文结尾处,通过手工标定消失点位置作为参考,本文比较了现有方法与新方法所检测出的消失点,与参考点之间的距离。证实了新算法的准确性。同时,本文在相同的数据库下,利用不同的特征与分类器组合,分别尝试了传统的训练方法与基于姿态方向分类的车辆检测训练方法,证实了新方法的先进性与有效性,体现了论文整体的成功。