随着我国人均汽车持有量的增加以及交通事故的频发,愈发急迫的交通安全需求让研究者们高度重视汽车的安全领域。近年来,车辆智能驾驶和主动安全技术发展迅速,对汽车安全性的提升有重要作用。通过主动传感器技术,能够对车辆进行姿态和类型识别,其中车型分类是智能交通系统的关键任务,车辆姿态估计是智能驾驶领域中辅助驾驶系统的关键技术。交通事故统计研究表明,在两车碰撞情况下,两车车型与两车相对运动姿态对车辆碰撞响应有重要影响,进而对车内乘员损伤带来极大影响。通过对车辆的类型和姿态进行识别,可实现对车内乘员更好地保护,具有重要意义。基于此,本文通过智能驾驶系统常用的计算机视觉技术,结合YOLO算法、B-CNN算法、改进的HOG+LBP特征提取和支持向量机SVM等方法,在对目标车辆进行检测和框选的同时,对目标框内车辆的车型和相对姿态进行分类,利用三种算法的融合进行实际测试,具体研究重点和创新如下:1、目标车辆检测。本文研究了先进的目标检测手段——YOLOv3算法,并且使用K-means聚类方法重新对目标候选框进行聚类,得到最优的候选框数目,并且使用车辆目标图片对特征提取网络进行再次预训练,创新点在于训练出针对车辆目标识别的YOLOv3网络。2、目标车型分类。本文选取了具有较高分类准确率的BCNN网络模型,利用其将不同体积和形状的车辆进行分类,并且针对BCNN在不同角度下的车型容易混淆情况,创新性地提出了多角度特征融合分类车型的方法。利用BCNN卷积网络部分提取出不同角度下的车辆特征,再对所提取的多角度特征进行线性融合,使用融合后特征训练车型分类器,提高了不同角度下的车型分类准确率。3、车辆姿态分类。本文针对目前存在的车辆数据集中缺乏车辆姿态标注信息以及车辆姿态分布不均匀等问题,创新性地采用了通过3D软件摄像机视角获取车辆姿态数据的方法。并且针对目前所采集的小样本姿态训练集,提出了一种自适应加权的HOG-PCA算法,且与LBP特征相结合共同提取车辆姿态特征,最后通过SVM分类将车辆姿态分为八个不同类别,从而满足主被动安全条件下的乘员有级自适应保护,同时为车辆碰撞工况预测提供数据。文章主要通过三种算法的结合,提出了一种能够对道路车辆进行车型分类与姿态检测的方法框架,并通过实际道路拍摄图片数据集实验测试,该方法能够准确地识别和框选目标车辆,并对车辆的车型和车辆姿态进行分类,从而对车内乘员安全检测部分提供有用车外信息,具有良好的方法创新性和应用价值。