车辆匹配是智能交通系统的重要组成部分,其在停车场智能管理、道路监控、高速路自动收费、超时停车检测、以及高速公路服务区、停车场等场所的出入口车辆比对等处都有着广泛的应用前景。车辆匹配基于图像匹配技术,现在的图像匹配算法的研究相对比较成熟,但是准确、快速乃至实时并且能够适应车辆特征和交通环境的车辆匹配问题仍未得到很好的解决。　　 本文旨在研究一种实时的车辆匹配算法,在应对交通环境中车辆尺度变化、角度变化、亮度变化、遮挡、镜头畸变等挑战的同时能够实时的进行车辆匹配。本文基于随机蕨算法,在快速定位“车脸”的前提下对车辆进行实时匹配。本文的主要研究内容如下:　　 1.研究图像匹配的经典算法。分析和总结了图像匹配的关键要素,匹配流程及匹配分类。重点研究了基于特征匹配的特征点提取算法和特征点匹配策略以及它们的优缺点,并分析它们在实时车辆匹配中的可行性。　　 2.快速“车脸”区域定位。为了减少复杂交通背景对车辆匹配的影响,本文结合车辆区域定位与车牌快速定位,对包含车辆大部分显著特征的“车脸”区域进行定位,加快了匹配速度,提升了匹配性能。　　 3.用随机蕨算法进行实时车辆匹配。该算法将匹配问题转化为分类问题,将运算量大的部分转移到分类器训练过程中。本文研究分析了FAST角点检测算法与Lepetit提出的快速特征点检测算法,结合车辆图片的特征,提出了一种快速多尺度特征点检测算法。离线训练阶段,产生大量的虚拟图对分类器进行训练,在线运行阶段检测特征点并将这些特征点所在的区域块放到分类器中进行快速分类,产生初始匹配。提出了一种改进的PROSAC算法,对初始匹配进行快速精确的匹配。　　 实验结果表明,基于随机蕨的车辆匹配能够快速实时地进行匹配,同时能够很好的应对各种挑战适应复杂的交通环境。