在这样的环境下，，基于HOG特征的车辆检测技术被广泛的运用到汽车安全辅助驾驶系统中，一次来解决汽车在行驶过程中的识别问题。在众多的物体检测技术[1]中，基于图像的车辆检测是最基础，最重要的，也是比较困难的一种，原因就在于车辆较复杂，有着不同的特征。为了解决车辆识别率低这种状况，就要找到合适的车辆特征。例如：对行人脸部的检测采用的特征是Haar特征。这种特征特点是比较规律，即使检测对象存在着些许差异，但对整体的检测结果却没有影响。但是由于车辆则较为复杂，它的外观和内部轮廓各不相同，会对检测效果造成影响。所以采用的是HOG特征。

在2005年，法国人Dalal在CVPR上提出这种方法，虽然现在很多车辆检测算法不断提出，但它们基本思路都是HOG+SVM为主的。其利用车辆底部阴影的水平边缘特征和垂直边缘特征生成车辆可能存在的假设区域，在此基础上，提取假设区域内的HOG特征[1]，利用SVM训练得到的分类器进行验证，完成车辆的识别检测。这种方法是先计算图片上一块区域中不同方向梯度值，然后进行累计，得到该图片的特征。这样就有效的解决了因为车辆差异而无法检测出车辆的现象。

1。2本文的主要工作

本文的目的在于对车辆的检测，通过对一些相关材料的参考，选取了合适的特征算法来完成这一工作。主要完成的工作有：

1）采集实验所需的材料；

2）提取采集到的图像HOG特征；

3）利用SVM分类对收集到的特征集训练分类，完成对车辆的检测。

2相关研究进展

2。1研究现状

2。2图像识别技术现状

2。2。1图像分割

2。2。2图像识别常用特征

为了能够识别出物体，需要对图像中的目标物体进行分析，找出该物体具有的而别的物体不一定具有的相同特征，通过这些特征就可以描述这一类的物体。在图像处理中，特征提取是其中很重要的一环，接下来的后续工作都依赖于这部分信息的准确性。就本文来说，图像中最明显的特征就是颜色特征，然后就是车轮、外形等等。这些特征都要转换为数字信号才能处理，这里就提一些常用的描述形状[3]的特征算法，例如Haar特征和HOG特征。

Haar特征，最早是用于进行人脸描述，并取得了良好的应用效果。Haar和HOG一样属于边缘特征[4]，对图像中目标物体中具有稳定结构的部分能够很好描述。常用的Haar特征可以分为三类：线性、边缘与点特征。每种特征计算都不复杂，只是选取哪种特征需要进行考量并进行大量的实验进行测试。常用的是用Haar特征和Adaboost学习算法结合使用，究其原因是Adaboost算法速度快，即使面对长千上万份的人脸样本数据，也能够快速提取大量的Haar特征并进行快速对象检测。

而HOG特征其本质是统计图像的梯度信息，而梯度主要存在于边缘的地方，所以HOG特征能够较好的描述各类物体轮廓形状。使用HOG和SVM结合的方法除了在车辆检测上取得了良好的效果，同样适用于行人检测的问题。与Haar特征相比，HOG注重的是边缘，而不考虑在这个边缘内部的形态特点，所以上述的车辆轮廓内的细节不管如何变化，也不会对在使用HOG特征描述边缘特征时产生不利影响。

2。2。3常用机器学习算法

提取到目标物体的各类特征之后，就需要对这些特征进行分类，使得计算机能够知道哪些特征是需要的，这就是一个机器学习的过程。有关数字图像处理的技术一般来讲都具有较大的计算量，因此合适的学习算法的选择也是很关键的一步，这里主要介绍下Adaboost算法和SVM（支持向量机）。来自优I尔Y论S文C网WWw.YoueRw.com 加QQ7520~18766 HOG特征的车辆检测技术的研究(2):http://www.youerw.com/tongxin/lunwen_198985.html