车辆检测技术是智能交通系统(Intelligent Transportation Systems, ITS)的重要组成部分,同时也是核心技术之一。而基于计算机视觉的车辆检测技术在车辆检测应用中日益显现出其重要性,与此同时,车辆的分类检测对推动ITS的迅猛发展起着不可忽视的作用。本文主要研究以下三方面内容：提出一种结合广义交叉确认(Generalized Cross Validation, GCV)原理的非降采样Contourlet变换(Nonsubsampled Contourlet Transform, NSCT)域车辆视频图像非线性去噪增强预处理算法。该算法首先对输入的含噪图像进行NSCT变换,然后对NSCT域中各层各方向高频系数分别运用GCV原理估计出最优去噪阈值,再以此阈值在NSCT域中的相应层相应方向高频系数进行软阈值收缩处理,最后通过非线性函数对去噪后的各高频系数进行增强处理,从而达到增强图像边缘的目的。实验结果表明,该算法能在噪声方差未知的情况下有效地去除噪声,并增强图像的边缘,从视觉效果和客观评价指标上均达到了预期效果。所提出的算法综合性能优于基于小波变换(Wavelet Transform, WT)和Contourlet变换(Contourlet Transform, CT)的方法。提出结合逆透视映射变换(Inverse Perspective Mapping, IPM)和Hough变换的车道线检测方法。该算法首先初始化摄像机的内部参数(即摄像机固有参数,如视角、分辨率等)和外部参数(即摄像机的安置姿态,如光轴俯仰角、偏摆角、距离路面高度等),然后将所获得的实际路面图像通过逆透视映射变换将原本收拢于一点的辐射状车道线变换成相互平行的车道线,以判断较远处的道路状况,提高行车安全,再用Hough变换检测其中的车道线位置,最后将其标记出来,以便提供车辆所在的位置参考值以及车速、车道拥挤度等信息。另外,车辆目标区域提取采用背景差分法,背景提取采用基于时间暂存中值滤波(Time Temporal Median Filter, TTMF)法,将视频序列当前帧的前若干奇数帧图像的对应位置像素点做时间域的中值滤波,从而有效地提取背景；阴影检测消除采用基于计算机视觉的阴影检测消除方法,将含有阴影的目标图像转换到HSV颜色空间,根据阴影的视觉特性将其检测出来并消除掉。实验结果表明,所提车道线检测算法检测准确度高,特别是在远端车道线检测方面表现优异,而且该算法易实现,另外TTMF法背景建模速度快,实际效果良好,因而车辆目标区域检测完好。总此观之,所提算法综合效果理想。提出基于相关向量机(Relevance Vector Machine, RVM)的多特征车辆分类检测算法。该算法首先对经前述得到的车辆目标二值图像进行形态学运算以更加完整地接近目标实际形状,再求取目标的最大连通域作为后续分析的车辆目标区域,然后对目标区域及其对应区域的灰度图像提取诸如区域描述子、不变矩、离散余弦变换描述子、分形维数和纹理等多个分类特征数据,并对特征数据归一化,接着将数据样本集划分为训练样本和测试样本,最后训练RVM建立分类检测模型,并用测试样本测试所得到的模型。实验结果表明,该算法分类检测效果良好,且测试样本分类正确率高；在测试速度方面,本算法明显比SVM和BP神经网络法优越,有利于提高系统实时性。