与传统的地面监控视频相比,无人机航拍视频具有监控范围大、使用方便灵活,并且能够更好地检测快速移动目标等优势。对于车辆检测,航拍视频覆盖场景复杂、面积较大、关键目标较小的特点,同时车辆图像容易受到光照变化、车辆遮挡、相机抖动等因素的影响,因此航拍视频中的车辆检测仍然是一个具有挑战性的研究课题。本文主要对航拍视频中的运动车辆检测问题进行了研究。针对现有算法中车辆检测准确度低的问题,提出了基于时空特征的航拍车辆检测算法。论文研究内容分为三部分:图像配准、运动车辆候选区域提取和运动车辆验证。在图像配准阶段,采用基于SURF特征点的匹配方法进行背景补偿。由于传统的RANSAC算法在去除错误匹配点对的方面效果不佳,所以本文提出基于角度判定剔除外点的算法。对所有特征点对间的角度进行升序排列,以所有角度前1/4的平均值为阈值,将角度与阈值的差向下取整大于0的特征点对进行剔除,提高图像匹配的精度。航拍车辆检测阶段分为运动车辆候选区域提取（粗检测）和运动车辆验证（细检测）。粗检测以时间特征为基础,采用三帧差分算法获取航拍视频中可能存在运动目标的候选区域;在候选区域中,由于摄像机的拍摄角度以及姿态变化,航拍视频中的目标车辆具有比较复杂的形态,本文基于空间二值梯度轮廓（Binary Gradient Contour,BGC）特征,提出了同时增加逆时针方向邻域像素点和中心像素点对邻域像素点量化影响的三邻域点二值梯度轮廓（Three-neighbor-point Binary Gradient Contour,TBGC）特征,提取车辆候选区域的TBGC特征,并利用训练好的支持向量机（Support Vector Machine,SVM）进行验证,实现车辆的细检测,完成航拍视频车辆检测。本文算法在MATLAB 2014b平台上实现。实验数据库采用VIVID的Egtest01-Egtest05、KIT AIS中的Munich Crossroad01以及两个自建数据集DJI₀006和Video2。通过实验验证,与空间特征BGC1、LBP和HOG相比,TBGC特征进行车辆检测的准确度更高,平均检测率为93.09%;将TBGC特征与动态特征相结合对航拍视频序列进行车辆检测,平均F值达到了93.73%,实验效果优于基于多模型估计的航拍车辆检测算法。