随着经济的快速发展,汽车产量逐年增加。在给人们带来便利的同时也给道路交通带来莫大的压力,致使交通事故频发。因此,汽车安全辅助驾驶系统(ADAS)的研究逐渐成为人们关注的重点。以ADAS为代表的系统在硬件上采用了多种传感器,例如超声波和视觉传感器、雷达、GPS等,在行车过程中系统会感知车辆自身状态及检测前方车辆和周边环境以降低车辆偏移、避免碰撞等事故的发生。车辆环境感知系统是汽车安全辅助驾驶系统的关键,其中的目标车辆识别是环境感知系统最为重要的组成部分之一。获取道路前方准确有效的目标车辆信息,可以为汽车安全辅助驾驶提供有力技术支撑。传统车辆识别所采用的雷达系统对环境适应性强,但存在原始数据噪声较大,误检率较高等劣势,进而采用基于视觉的车辆识别方法,该方法获取信息丰富,成本较低,在目标检测识别方面具有较大优势。本文主要针对基于图像的车辆检测与识别进行了研究,具体的研究工作如下:(1)针对CCD摄像机采集到的道路图像进行处理,用于实现本文提出的基于车辆尾灯与阴影相结合的方法对车辆检测的前期处理工作。主要包括:感兴趣区域(ROI)的确定、图像灰度化、彩色图像分割、形态学处理、滤波处理五个图像预处理步骤,提取车辆尾灯对与车底阴影特征,排除噪声点等干扰信息。(2)提出基于车辆尾灯分割与车底阴影相结合的方法进行车辆特征的提取,进而确定车辆可能存在的区域。构建了车辆尾灯对约束条件和阈值限定条件,将尾灯对从图像中提取出来,从而确定车辆的宽度信息,再结合车辆的结构尺寸关系,进一步获得图像中车辆的高度信息。针对车辆底部阴影特征,采用阈值分割方法,标记车辆底部边缘。并对不同道路环境情况,构建判决函数,设立不同的权重系数,以保证车辆尾灯与阴影相结合的混合特征提取方法能够在不同情况下使用,为后续车辆的准确识别提供有效区域。(3)构建了RBF神经网络,针对已确定的有效区域进行车辆的识别。提取了反映车辆特征的区域描述和形状特征参数,设计了以余弦变换描述子、独立不变矩、区域偏心率、区域长短轴之比等19个特征参数作为输入变量的RBF神经网络识别器,实现了感兴趣区域内车辆的有效识别。建立了车辆图像的正、负样本库,完成了RBF神经网络识别器的训练并实现了算法收敛,其准确率可达94%。通过随机抽取的测试样本对构建的神经网络车辆识别器进行了有效验证,通过正检率和误差曲线得知,论文所提出的研究方法能够可靠地识别有效区域内的车辆。