随着机动车数量的剧增,车路矛盾日益凸显,引发了拥堵、事故等一系列交通问题。车辆作为智能交通系统的重要载体,车辆图像的表示与检索成为智能交通领域的研究热点。如何快速和准确地识别出车辆类型,如何高效和系统地检索出相似车辆,如何分析和探索交通图像中包含的时空车辆信息,对车辆图像的表示与理解技术提出了挑战。交通车辆图像的表示与检索具有重要的理论研究意义及潜在的应用价值。本文重点研究交通车辆图像的图拓扑表示方法,并将所提出的图模型表示方法应用于车辆图像识别、检索等任务中。本文主要研究内容包括:(1)提出了一种基于加权结构图模型的车辆图像表示方法。首先,提取训练样本的部件位置集并做归一化预处理,构建初始的完全图模型,涉及图的节点、边以及各属性;然后,根据Fisher方法和投票机制,优选图节点和图属性;最后,计算图属性对车型检索的贡献度,生成加权结构图模型。实验结果表明本文提出的图模型方法能够有效地表示车辆图像。(2)研究了基于加权结构图模型和支持向量机的车型图像识别方法。以加权结构图表示车辆图像,使用图优选属性训练支持向量机分类器,实现对所构建的VIS2015车辆图像集的识别。同基于局部二值模式和支持向量机识别的方法、卷积神经网络方法实验比较,表明该方法可有效地提高识别精度及效率。(3)融合了等价局部二值模式和加权结构图表示模型,实现了车型图像检索。首先,采用局部二值模式提取车徽图像的纹理特征,采用加权结构图模型将车辆图像表示为拓扑图;然后对这两种特征实现特征加权融合;最后,通过相似度匹配实现了高查全率与查准率的车型检索。(4)基于Neo4j数据库,构建时空图像表示与路径检索框架。建立时空交通图像表示模型,实现了包含时间、空间信息的交通图像数据存储与表示;提出时空约束规则,研究基于时空表示模型的车辆路径检索,实现了基于时间段和区域的路迹检索。