城市轨道交通系统作为我国重要的交通运输方式,随着科学技术的进步和自动化程度的快速提高,其运行模式也随之发生变化,地铁列车由起初的人工驾驶向FAO(Fully Automatic Operation,全自动驾驶)过渡,这对地铁列车的安全性,可靠性以及服务水平提出了更高的要求。传统的无人驾驶列车在进行列车停车到站时对车内遗留物的检测工作由工作人员来完成,不仅耗时,而且工作人员的劳动强度高,工作量大。随着智能视频、图像处理和模式识别等技术的不断成熟和完善,为实现FAO列车到站停车后的空车检测工作由机器完成奠定了可靠的理论基础。本文在深入分析全自动驾驶地铁列车的ISCS(Integrated Supervisory Control System,综合监控系统)的组成和功能后,利用ISCS采集到的车内视频自动完成地铁列车停车到站后的空车检测工作,实现图像预处理、背景建模、图像特征提取和判断到站后是否有遗留物等功能。论文的主要研究内容如下:首先,在图像预处理阶段,考虑环境状况以及采集传输设备对获取图像的影响,本文提出基于改进的椒盐噪声滤波算法用于椒盐噪声的消除,以及基于匹配塔形分解的图像自适应增强算法进行图像增强,并从主观视觉效果和客观评价标准两个方面对上述算法的性能做出了分析和比较。其次,在图像特征提取阶段,分析对比了各种特征的优缺点,最后选取人体的头部为特征部位,采用头部的HOG(Histogram of Oriented Gradients,梯度方向直方图)特征和脸部的HSV(Hue,Saturation,Value,色调,饱和度,亮度)颜色空间的特征为提取特征进行特征提取,并采用PCA(Principal Component Analysis,主成分分析法)对融合后的特征进行降维。最后,在空车检测阶段,首先利用均值法进行背景建模,利用背景差分法进行前景的提取,分别采用LBP(Local Binary Pattern,局部二值模式)特征、HOG特征、PCA降维后的HOG+HSV融合特征分别在SVM(Support Vector Machine,支持向量机)、adaboost和神经网络三种不同的分类器上进行分类,并采用SVM分类器进行空车检测结果的分类识别。