基于视频监控系统的车型分类作为智能监控系统研究的一个分支,已经成为国内外研究的热点之一。车型分类作为交通管理、收费、调度和统计的依据,该项课题的研究不但具有重要的理论价值,而且具有广阔的应用前景。本文车型分类是在现有的监控系统之上展开研究,车型分类研究主要包括从视频序列中分割目标车辆并提取特征和利用提取的车辆特征进行分类两个阶段。本文的主要工作：从视频中分割出目标车辆的图像,进行大小归一化处理,研究并提取图像的Hu不变矩特征,并将快速不变矩算法引入本文。矩特征用于本文车型分类只能从车辆的几何大小形态中有效的区分出轿车与非轿车,而公交车与大货车的分类识别难以令人满意。针对上述问题,本文引入局部二值模式(LBP)算法提取车辆纹理特征用于改善公交车与货车的区分能力。结合车型分类的特点,在传统的LBP算法基础上进行改进,提出了加入颜色角度模型的LBP算法使其具有处理颜色的能力,同时根据极坐标映射建立分区模型改进LBP算法,使改进后的LBP具有分析同局部纹理、同颜色、不同整体分布的车辆图像的能力。然后,研究特征融合方法,将提取的车辆矩特征以及加入颜色角度模型与分区模型LBP算法纹理特征进行线性融合。通过人工神经网络与支持向量机两种分类方法在车型分类中的比较,指出采用基于径向基核函数的支持向量机用于本文研究的优越性。根据本文特点,提出改进支持向量机推广到多类分类器的策略。最后,论文通过优化基于径向基核函数的支持向量机的参数,对2400个测试样本图像进行分类测试实验。证明本文采用对车型分类的方法具有较强的鲁棒性。