随着社会快速发展,汽车数量快速增加,智能交通系统在道路交通管理上发挥了越来越重要的作用,受到越来越多的关注。车辆特征抽取与识别是智能交通的重要组成部分。本文在研究了经典的图像特征抽取和匹配算法后,提出了改进算法,并将其应用到车辆检测和跟踪算法中。本文的主要工作是:(1)SURF是一种鲁棒且快速的算法,可以应用于多种场合,但是它不能检测特征的空间对称性,也没有考虑全局信息。本文提出将对称SURF和全局信息结合起来,既通过镜像变换增强了SURF检测特征的空间对称性的能力,又可以在图像有多个相似区域的情况下减少错误匹配。实验表明该算法提高了特征匹配的准确率。(2)现在常用的特征匹配算法忽视了图像中的几何信息,而BP-SIFT算法虽然采用几何信息进行特征匹配,但是特征点之间并不总是满足距离相等的约束条件,根据特征空间距离来选择邻近节点只能代表图像部分区域的几何信息,而且算法的时间开销太大。本文提出以特征点空间距离和所有邻近节点空间距离的均值比值作为约束条件,并且根据BOW(Bag-of-Words)模型确定邻近节点。实验表明采用新的约束条件和邻近节点的选择方法不仅可以增加特征匹配的准确率,而且减少了算法的时间复杂度。(3)将本文提出的改进对称SURF算法和特征匹配改进算法应用到车辆检测和跟踪中。车辆检测算法通过改进对称SURF特征搜索图像中高对称性的区域来定位车辆。车辆跟踪算法使用本文提出的特征匹配算法搜索两幅图像间匹配的特征点实现目标跟踪。实验表明两种算法有效提高了车辆检测和跟踪的准确性。