停车事件检测是高速公路监控系统的重要组成部分。与其他停车事件检测算法相比,基于Haar-like+Adaboost的目标检测算法具有目标分类能力较好、所需图像样本较少,且特征训练不易产生过拟合的特点,在停车事件检测方面取得了较好的效果。但由于高速公路路段复杂场景下的停车事件检测面临着光照、视角与尺度变化引起的干扰,使得基于Haar-like+Adaboost的车辆图像特征描述方法和检测算法无法同时满足高速公路场景下停车事件检测实时性和准确性的需求。因此,基于高速公路路段停车事件场景特点,分析研究其在高速公路场景应用的不足并改进,提高检测算法的性能以满足应用需求,具有重要的理论和实际意义。论文在分析了基于Haar-like+Adaboost的车辆图像特征描述方法和检测算法应用于高速公路路段场景下的问题及难点后,重点研究了复杂条件下车辆Haar-like特征提取以及基于改进的Adaboost级联停车事件检测模型,形成了一套基于Haar-like+Adaboost的高速公路停车事件检测方案。主要研究内容包括:(1)复杂条件下的车辆Haar-like特征提取方法研究。针对视角变化下的Haar-like特征提取,通过感兴趣区域视角自动识别和二维图像影射变换,对图像潜在目标区域进行翻转,减小了视角变化导致的车辆外观的显著变化;针对光照变化下的Haar-like特征提取,通过单高斯背景建模所得背景图片进行实时亮度检测和自适应Gamma变换,减小了光照频繁变化导致的车辆目标亮度变化;针对尺度变化下的Haar-like特征提取,通过将原有的固定比例特征映射算法改进为自适应比例下特征映射方法,减小了尺度变化导致的Haar-like特征映射偏差。实验结果表明,上述改进有效减小了车辆Haar-like特征在多变场景下的类内差异,有利于提升检测算法的识别准确性和泛化能力。(2)Adaboost框架下级联分类器检测模型的改进。针对背景差分下车辆轮廓特征表征能力不足以及前景目标完整性不足引起的树荫、云影与水渍等局部光斑干扰问题,给出了一种Adaboost框架下基于滞后更新背景模型的候选区域提取方案,通过对比前景与背景图片的canny纹理信息,提高了潜在目标候选区域的准确性。在此基础上,针对Adaboost算法耗时的问题,通过剔除非典型Haar-like特征,在保证训练效果的前提下,提高了训练速度。最后,针对高速公路场景下车辆局部特征呈现点块状分布的特点,在原有算法基础上设计增加了变尺度Haar-like中心特征,使之参与到基于Adaboost的特征筛选过程中,提高了对车辆目标和非车辆目标的分类能力。最后,经过上述两方面的研究,本文用c++语言在Windows平台上实现了改进后的基于Haar-like+Adaboost的停车事件检测方法,用高速公路监控系统采集到的历史视频进行了样本的制作和训练,并进行了对比试验。实验结果表明,论文的改进方法能够提高车辆Haar-like特征在高速公路复杂环境下的表征能力,在保证算法实时性的前提下,提高了停车事件检测的准确性。