随着我国交通事业的迅猛发展,与日俱增的海量交通视频图像数据为图像处理领域带来了巨大的挑战,如何对这些海量图像进行有效的存储和处理成为目前国内外学者的研究热点问题。纵观国内外对于海量图像处理以及车辆目标检测的研究方式方法,大部分是通过使用已有的云平台,实现传统的图像特征提取方法,并直接与待检测车辆图像进行计算或匹配,但不足的是从海量图像中提取出来的特征维数之高、数量之多不但造成了大量的冗余信息,而且会产生很大的计算量,最终会影响车辆检测的精度和效率。针对上述问题,本文研究了海量图像背景下的特定车辆目标检测的方法,主要研究目的在于更加高效的从海量图像中检测出特定车辆目标,且提高车辆目标检测的精度,从而使得交通管理和城市发展变得更加智能化、高效化。论文的主要研究内容包括:1、为了能够提高最终特定车辆目标的检测精度及效率,本文研究了基于Hadoop的海量图像综合特征的提取方法,根据车辆目标的特点,在并行架构中多方面、全方位的对海量图像中车辆目标进行特征的提取和描述。并根据人眼视觉研究出人眼视觉主观特征模型,包括使用Harris角点检测提取出目标区域、车辆主观比例特征、车身主观全局特征、车灯主观几何特征以及轮胎的主观纹理方向特征;本文还考虑了车辆目标的客观特征即SIFT特征,并使用Harris角点算子对其进行特征点的筛选。上述两种特征构成了本文提取的车辆目标综合特征。2、为了能够提高最终特定车辆目标的检测效率,本文主要针对提取出来的高维SIFT特征进行降维映射处理,根据PCA算法善于发现高维数据中的线性结构而LLE算法善于发现非线性流形结构的特性,将PCA融入LLE中进行过渡,即局部PCA过渡非线性降维算法,该方法不仅消除了原始高维特征数据中的冗余和无关信息,还节省了大量不必要的存储空间。3、针对特定车辆目标检测方法的研究,本文对降维后的海量特征进行聚类分析,将蜂群算法与聚类模型相结合,并受到团队管理学的启发,将蜂群聚类算法中蜜蜂采蜜的方式和团队管理中成员的工作方式的优劣势相互弥补,形成了本文的团队管理模式下的并行化智能蜂群聚类。综合考虑距离测度、角度测度、匹配测度以及结构测度,重新构造了相似度测量函数,通过计算待检测的特定车辆目标与海量车辆图像的相似度测量函数值的大小,来判断相似程度,从而达到特定车辆目标检测的目的。仿真实验结果表明,本文海量图像背景下的特定车辆目标的检测方法具有良好的适用性,经过筛选的特征提取方法、改进的降维映射算法以及团队管理模式下的智能聚类分析等相比于传统的算法都分别提高了检测效率和检测精度。最终得到测试样本集的平均检测完整率为86.38%、平均检测准确率为71.25%,相比于其他文献中的图像检索方法的精度有一定的提高。随着路面交通与社会经济发展的联系越来越紧密,在海量图像背景下高效、正确地检测出特定的车辆目标,对社会、经济的各个方面都具有深刻的研究意义。