近年来,随着机动车数量的快速増长,智能交通系统是未来交通的发展方向。车型识别对于交通规划以及道路监控也越来越重要,具有较大的研究和应用价值。视频监控拍摄到的车辆类间特征差异小,并且在复杂场景中的干扰因素多。为了提高交通场景中车辆检测和识别的准确率,本文提出了一种基于计算机视觉的车型识别技术。本文以交通道路视频图像为研究对象,为消除复杂外部环境的干扰和噪声,采用了包括图像去噪和图像增强的预处理方案;然后在视频序列中的车辆检测环节,本文详细分析三种常用运动检测算法的应用场景和优缺点,提出基于混合高斯模型改进的背景消去法进行运动车辆的识别,消除了车速引起的“拖影”“空洞”现象且避免了光强变化的影响;在运动目标检测结果中只包含二值化的车辆轮廓而缺乏足够的颜色、纹理、边缘和其它局部信息,所以本文对上述二值化结果依次进行了形态学运算、连通域分析、Graphcut方法,从原图像中完整地分割出包含车辆信息的前景目标;接着引入了LBP和HOG特征来获得图像的丰富特征,在输出层使用机器学习中的SVM分类器通过大量标记数据的多任务学习进行训练。与传统方法不同的是,通过对改进的HOG特征使用PCA降维处理加快运行速度,使用最小二乘法融入支持向量机的目标函数求解过程,并通过设计并联的分类器结构来达到最优识别效果。本文采用公共车辆数据集作为分类器训练集,包括9850个高分辨率车辆正面视图图像。通过设计程序,在测试数据集上的实验结果验证了本文提出的方法,能够较好的对视频图像进行车辆检测和车型识别。