智能交通系统(Intelligent Traffic System,ITS)将计算机、电子传感、通信等技术有机地结合在一起,它对解决停车困难、缓解交通拥挤以及维护交通治安有着重要的意义。起初,研究者们提出了基于传感器的车位状态识别方法,通过计算红外线、超声波、雷达等传感器到目标车辆的距离判断车位的状态。但是该种基于传感器的车位状态识别方法不仅对外界环境因素敏感,而且成本高、维护困难。因此,研究者们结合图像处理和机器视觉技术,他们提出了基于图像处理的车位状态识别方法。如何识别停车位状态,在识别过程中如何确定停车位在整个停车场图像中的具体位置成为了本文重点研究内容,根据这两个问题将研究内容分为车位定位和车位状态识别两大部分。一方面,本文设计了一种适应非规则化停车场的车位定位方法。引入了Ada Boost分类器算法识别停车场中车辆所在位置,完成车位位置粗定位。为减小统计误差,采用改进的候选框抑制方法统计一段时间内停车场中车辆的停放规律,并增加容错机制,实现车位精确定位,为车位状态识别提供车位感兴趣区域。另一方面,给出了一种多尺度特征融合的车位状态识别方法。我们引入了LBP和LPQ算子提取车位图像特征,较好地描述车位图像的旋转不变特征和低分辨率车位图像的纹理特征。颜色特征是车位图像最直观的特性,本文选择LUV颜色特征描述图像的亮度和色度,但得到的特征向量维度过高,有可能产生特征维数灾难问题。为此,本文改进了LUV特征计算方式:计算多尺度矩形截面面积范围内的像素值之和。通过深入分析现有车位状态识别算法的优缺点,采用串行特征融合技术将纹理特征和颜色特征合并成新的特征向量,并训练SVM分类器模型实现车位状态分类。实验过程中,我们测试大约75万张车位图像,包含5个场景下的不同停车场图像,验证本文算法的可行性和泛化性。实验表明,本文算法的有效性和泛化性均有所提升。