随着城市的发展和公共安全的需求,利用视频监控的交通卡口大量涌现。视频监控在违章稽查、肇事逃逸追捕、嫌疑车辆分布式监控,套牌车辆鉴别,提高交通管理和侦查办案效率等方面都具有非常重要的现实意义和十分广阔的应用前景。但是目前卡口图片主要靠人工判读所需车辆各类特征,工作量大而且效率低下。针对交通卡口视频监控实际需要以及人工识别中存在的问题,本文借鉴现有人脸识别技术与方法,研究基于计算机视觉的自动化卡口车辆特征提取和识别方法,主要研究内容包括以下几点：1.研究基于AdaBoost算法的车辆检测技术。针对卡口图片中车辆都具有相似的外形、具有明显的边缘、轮廓特征等特点,引入Haar矩形块特征并结合AdaBoost算法对车辆样本进行训练,将弱分类器提升为强分类器。然后,将强分类器进行级联组合,形成最终的车辆检测分类器,加快了检测速度,提高了准确率。实验表明,最终车辆检测成功率为97.8%,误检率为1.4%,漏检率为0.8%,平均每张图片检测时间不到300ms。2.车型特征的描述与提取和车型识别：针对卡口图像易受外界环境干扰、车辆图像位置多变等问题,结合Gabor小波变换和LBP算子提取车辆图像的多尺度、多方向性局部特征,以分块直方图序列构成的特征向量作为最终车辆样本点特征描述,并通过主成分分析算法对特征向量进行降维,以降低计算复杂度。最终将降维后的特征向量进行欧式距离相似度对比以确定最终车辆类型。另外,以车标识别作为辅助分类信息,在小类别样本集内进行车型检测和识别,有效提高了识别的准确率。3.研究多分类器联合的车身颜色检测和识别。以人眼主观实验为基础,定位颜色分类类别,然后以大量车辆样本统计为基础,选定合适的颜色空间和分类器算法进行车身颜色识别。针对聚类明显的车辆颜色,采用支持向量机进行学习分类,而对颜色值重合区域较多的颜色则通过统计先验概率、通过直方图计算类条件概率,在贝叶斯分类器基础上计算最大后验概率以确定颜色类型。最后将支持向量机和贝叶斯分类器集成到决策树内将多颜色分类转换为二分类问题简化识别算法。实验表明,应用该方法可取得较好的颜色识别效果。车辆特征提取与识别与经典的人脸识别都是典型的模式识别问题,本文针对车辆自身特点,结合图像处理、机器学习等算法和理论对交通卡口图像进行处理,尝试实现高效、自动的车辆特征提取和识别。实验表明,应用本文方法可准确的检测到卡口车辆,并实现车标,具体车型以及车身颜色的快速识别,为交通卡口的自动和智能视频监控提供技术基础和手段。