基于视频的车型分类利用计算机对采集到的视频进行处理分析，实现车型的分类识别功能。该技术可以广泛应用于交通情况的分析和规划，对于缓解拥挤的交通环境和城市交通系统中设施的规划等具有重大的意义。　　本文面向高速路监控视频的特点和需求，开展了车型分类方法的研究。具体的研究工作包括以下几个部分:　　(1)提出了一种基于人工特征和稀疏表示分类器的车型分类方法。首先，针对传统Hu矩特征对图像空间信息描述能力不足的问题，提出了一种加入空间位置信息的Hu矩特征提取方法，增强了该特征对图像的区分能力和描述能力;接下来，将改进的Hu矩特征与HOG(Histogram of Oriented Gradient)全局特征、SIFT(Scale Invariant Feature Transform)局部特征相结合组成特征向量对车辆图像进行描述，其中，借助K均值聚类算法和BoW(Bag-of-Word)模型对提取的SIFT特征进行紧凑表示。为了缓解特征向量维度过高对后续的存储和计算带来的压力，利用LFDA(Local Fisher Discriminant Analysis)降维算法对其进行降维;最后，利用稀疏表示分类器(SRC，Sparse Representation-based Classifer)对降维后的组合特征向量进行训练，获得车型分类模型。为了满足实际应用的需求，本文构建了VehicleDataset数据库，该数据库由真实高速公路监控视频中提取的13700幅车辆图像组成，包含了各种光照变化和拍摄角度变化的车辆图像，将车型分为大型客车、小轿车、摩托车、小型客车、货车和厢式货车共六类。本文将提出的方法与现有的其他方法在该数据库上进行了对比，将分类准确率至少提高了约5.6％，达到99.20％，充分证明了该方法的有效性。　　(2)提出了一种基于深度卷积网络的车型分类方法。针对数据集样本数量不足的问题，该方法采用“pre-training+fine-tuning”的策略进行车型分类。在pre-training阶段，采用ILSVRC-2012数据集对GoogLeNet网络进行预训练获得初始分类模型;在fine-tuning阶段，利用本文构建的VehicleDataset数据集对此模型进行fine-tuning，得到最终的分类模型。本文从分类准确率和时间复杂度两个方面出发，将提出的方法与现有的其他分类方法进行了对比。实验结果表明，与传统的基于“特征+分类器”的分类方法相比，本文方法操作简单，泛化能力强，人工干预少，可以在保证分类速度的情况下将分类准确率至少提高约3.42％，达到98.26％。　　(3)提出了一种基于轻型卷积网络特征和人工特征相结合的车型分类方法。该方法针对车型分类这一具体应用需求，设计了一种只包含两层卷积操作的LWNet轻型网络结构，利用该轻型网络提取车辆图像的特征，并充分利用人工特征的表征优势，将上述特征与HOG全局特征和加入空间位置信息的Hu矩特征相结合，利用SVM(Support Vector Machine)分类器实现了车型的鲁棒分类。该方法获得的平均分类准确率为97.39％，并且不需要GPU加速，时间复杂度低，内存消耗少，具有一定的应用优势。　　(4)搭建了面向高速路监控视频的交通参数自动获取演示验证系统。本文利用实际的高速公路监控视频，根据人机交互，对视频中的车辆数量、车流量、车流密度进行统计，并实现了对应急车道占用、匝道口停车、高速出口倒车几种异常行为的检测。