以机器视觉为基础的交通信息获取,旨在利用图像采集设备直接对相关交通信息进行捕获。车辆检测作为该系统中的一个必要环节,已成为智能交通信息获取中一个研究热点。实际应用中,以图像为基础的交通信息检测需克服若干问题,如光照变化、遮挡和变形等。因此,探询一种鲁棒性较高的检测方法已成为当前系统迫切需要解决的问题。基于部件的目标检测方法,可将待检测目标按照一定的规则转化一系列部件和其之间关系的集合,通过对部件进行相关匹配以达到检测的目的。相对于传统的基于紧凑特征的目标检测方法,该类方法的检测性能准确且高效,并对遮挡和变形等问题具有一定的鲁棒性。因此,对于部件检测的研究在一定程度上可促进交通目标检测的效果,从而提升整体交通信息检测系统的性能。面对相关交通目标图像,基于部件检测的系统按照其功能性,可分为三个层面。一是特征层面,即如何定义一个适合部件检测系统的特征提取系统。二是模型及决策层,绝大多数基于部件检测的研究都集中在该层面。其主要目的在于设计一个配合部件学习的检测模型,如集成化检测模型,词袋模型等。第三个层面主要在集中在检测环节。此层面是一般性检测方法的共性层面,所需解决的问题主要集中在如何在保证检测完备性的基础上提升检测速度,以满足实时性的要求。本文在大量分析相关文献的基础上,围绕基于部件检测的三个研究层面进行展开研究。论文完成的主要工作:1.融合部件的特征构建。通过对空间直方图特征的研究,发现该特征具备融入部件信息的能力。该特征中对空间模板的选择,可看作为相关部件的选择。依照此思路,设计出两种改进型空间直方图特征。这两种特征的共同点在于都利用了目标部件的信息,用于确定最终特征。所不同的是,第一种特征以目标本身的结构特点为线索,以目标经过图像分割的结果作为部件的参照,对训练样本库中所有正样本进行部件分割。最终,以聚类算法完成最终空间模板的选择。第二种特征的主要思想是直接以检测正确率为导向,将部件的搜索过程建模成为一个优化过程。具体来说,以训练样本的检测正确率作为适应度函数,使用演化计算方法确定适合当前目标的部件窗口分布。2.在算法上,依据当前所处理问题与其它应用的需要,提出一种附加排序的多目标优化算法。该算法主要思想为,在目标空间当中依照顺序实施两个基本操作符:附加操作符与排序操作符。对于附加操作,以事先建立的参考点向量作为附加的中心,按照相关解到参考向量的投影距离作为度量,进行相关附加操作。排序操作方面,对于附加在每一个参考向量上的解,依照收敛性进行排序。最终解集的选取是依照收敛性与多样性的需求,依次按照不同附加类与相应解的排序进行分层。选取的原则按照低层向高层的原则进行选取。由于该更新机制不依赖于非支配排序的方法,因此在应对高维多目标优化问题时,具有较好的鲁棒性。3.在所提出的多目标优化算法基础上,设计了一种多目标聚类算法。在聚类的过程中,同时考虑全局偏差度和连接性两项聚类指标,以增强聚类的整体性能。在分析车辆检测环境下部件特征的特点后,引入轨迹邻接的编码方法。此外,针对采用多目标聚类算法时间开销大和过收敛问题,提出一种基于二次最小生成树的强化连接性解的初始化方法。此外,在基于词袋检测方法的环境下,以最终检测正确率和双层参考向量系统为基础,提出一种模型选择算法。在使用人工数据验证该算法鲁棒性的基础上,应用该算法于车辆检测任务中,验证该算法在部件检测中字典学习中的必要性和鲁棒性。实验表明,相对于单目标聚类算法,多目标优化对字典学习的性能有所提升。且所提出的多目标聚类算法相对于同类多目标聚类方法,性能相对优越。4.在检测环节中,在选择性搜索的框架下,分析了该方法对图像线索的一般性需求。并依照此需求,构造了两种新的图像区域相似度衡量方法。一种方法基于图像区域显著性基础,另一种方法则基于图像的范特征。此外,根据交通环境中的不同目标的检测需求,以实验的形式确定了在选择搜索方法框架下,针对不同交通目标所选用的最优相似度度量组合。