随着我国城市化进程的不断加快,尤其是二十一世纪以来,城市公路交通系统的压力不断加大,传统的人工监控已经不能满足时代发展的需要。因此,智能交通系统的重要性日益显著,特别是随着我国低空空域的逐步开放,低空对地城市交通实时监控由于其运动性强、视野广等优点,已经成为一个热点研究课题。其核心在于利用安装在空基平台上的各种传感器去获取交通环境信息,再使用图像处理和智能算法等来检测车辆,并估计交通流参数,从而达到调节交通的目的。其中,光学传感器由于可以提供大量视觉信息而被广泛应用。显然,该系统是一个动态视觉监视系统;与一般的静态系统相比,它面临的难点在于检测平台和检测对象的动态性、以及复杂的检测场景,同时对检测性能尤其是实时性要求更高;而与高空对地检测系统相比,该技术又由于视角多变给实现带来了前所未有的困难。针对城市背景下的低空对地车辆检测,传统的图像处理技术具有检测率低且处理速度不理想的缺点;而目前现有的单分类器、串联组合分类器等则很难同时满足检测率、误报率以及检测速度等方面的综合要求,并且仍然不能处理不同朝向车辆的检测问题。本文针对现有单目光学摄像头下的低空对地车辆检测算法的不足,结合贝叶斯概率模型,提出了一种视觉关注机制与分类算法相结合的检测框架。该方法将车辆特征集合分为两个子集,是一个由粗到精的检测过程:模拟灵长类动物的视觉关注机制,利用其处理速度快的优点,设计了一套由视点定位和视区定界两个模块组成的相互迭代的过程,可以将车辆迅速定位到更小范围的候选区域中,从而避免大量冗余计算;利用基于Adaboost的层叠分类器对车辆方向具有一定敏感性的特点,快速提取出最有可能车辆的朝向;利用树状组合分类器检测精度高的优点对候选区域中的车辆进行精确的细分。该系统避免了传统视觉关注机制误报率高和一般组合分类器处理速度慢的缺点,兼并两者之所长,具有检测速度快、误报率低以及检测率高的特点,并且能解决不同朝向的车辆检测问题。基于真实低空对地车辆检测场景的对比实验验证了本文方法的有效性和优越性。