基于视频的车辆检测技术作为智能交通系统研究的热点领域,可分为基于表观特征的方法和基于运动特征的方法,尽管取得了一定的成果,但依然存在许多问题,比如目标遮挡和粘连、摄像机成像畸变等问题。基于上述问题,本文提出基于图像逆投影变换的检测方法。依据摄像机成像原理,建立三维场景和二维图像的投影变换,完成交通场景的标定,设计逆投影面,重构该逆投影面上的信息,得到逆投影图,它可以矫正成像畸变的问题。在逆投影图中车辆部件的尺寸和形状得以恢复,车辆目标可以由不同部件的有机组合或者多个特征融合来代替车辆目标,在逆投影图上完成对部件或者特征的检测就可以定位到车辆目标。在夜间场景下,选取车头灯对为检测对象。首先根据车头灯的几何特征对车灯目标进行初步检测,其次通过车头灯对之间和车灯对高度建立高斯混合模型,最后利用概率模型完成精确检测。上述方法存在车辆并排错匹配车灯的问题,据此提取逆投影图上的车头灯对正负样本的LBP(Local Binary Patterns,LBP)特征,利用AdaBoost算法结合LBP特征学习一个强分类器,通过强分类器完成车灯对检测,能够有效解决车灯错匹配问题。在白天场景下,选取车尾灯和车牌作为检测对象。首先通过颜色模型检测车尾灯和车牌,其次通过部件之间的几何关系,建立马尔可夫随机场,最后完成车辆检测。上述方法依赖于颜色信息,存在红色和蓝色车辆漏检的问题,据此选取车辆局部对称性和车底阴影特征为检测对象。使用S-SURF(Symmetrical SURF,S-SURF)算法检测具有对称性特征的目标,完成初步筛选,再结合车底阴影特征决定是否为车辆目标,可以有效解决蓝色和红色车辆漏检问题。本文使用实际交通场景对文章中的算法进行对比测试,实验结果显示文中方法能够对车辆目标达到较好的检测效果。在夜间场景下解决错匹配问题之后,检测精度由93.5%提高到96.5%;在白天场景下,通过检测车尾灯和车牌的算法精度为93.8%,通过检测对称性和车底阴影的算法精度为95.5%。