在YOLOv2算法的基础上,根据实际道路环境的变化对YOLOv2-voc的网络结构进行改进,基于ImageNet数据集和微调技术得到分类训练网络模型,根据训练结果与车辆目标特征的分析,对算法参数进行修改,获得改进的车型识别分类网络结构模型YOLOv2-voc_mul。为验证所提模型的有效性,分别对简单背景和复杂背景下的样本进行检测,并与YOLOv2、YOLOv2-voc和YOLOv3模型在迭代70000次后的检测结果进行了对比。实验结果表明:在简单背景下,YOLOv2-voc_mul模型的精度可达99.20%,不同车型的平均精度均值达到了89.03%;在复杂背景下,YOLOv2-voc_mul模型对4种车型在单目标和多目标的检测下平均准确率达到了92.21%和89.44%,具有较高的精确度、较小的误检率和良好的鲁棒性。

针对车辆外廓尺寸的精确快速测量，本文提出一种激光光幕和CCD 相结合的动态测量方法。本方法采用安装在龙门架顶角的两台CCD 相机快速采集被车辆高度调制垂直投射的激光点图像，并应用区域生长质心匹配算法提取边缘投影数据测量车辆的宽度；采用车身侧面序列图像拼接获取车辆侧面全景图像，并对全景图像做一阶投影差分处理精确定位车头和车尾，根据摄像机透视模型测量车辆的长度，并结合宽度边缘分布数据修正长度的测量精度；采用FPGA 获取垂直安装的红外光幕侧投影数据测量车辆的高度。本方法与传统的激光雷达和红外光幕的测量方法比较，具有占用场地小，安装结构简单，抗干扰能力强和测量精度高的优点，经过车辆外廓尺寸的现场测试实验，结果表明该方法测量误差小于1％，平均耗时低于50 s，验证了本测量方法的准确性和实时性，且本方法具有较强的鲁棒性和重要的应用价值。

为向驾驶者提供有效的车辆位置信息,提高驾驶安全性,提出了一种融合多种目标特征的单目视觉车辆检测与跟踪方法。首先,利用车辆尾部的结构对称性提取出感兴趣区域,减少搜索范围。再利用车辆底部的阴影特征,在感兴趣区域中搜寻车辆可能出现的位置,找出假设目标。然后,利用亮度和轮廓信息对假设目标进行对称性验证,排除虚假目标。同时,融合颜色和梯度方向建立目标特征模型,利用均值平移算法在随后的图像序列中对目标进行快速跟踪定位。检测与跟踪联合工作在一种互动机制下,大幅改善了算法的有效性和实时性。实验结果显示,提出方法的正确识别率为96.34％,平均处理速度达24.27 frame/s,能够满足车辆驾驶安全性和实时性要求。

文中提出了一种车牌字符识别的新方法，用二维隐马尔可夫模型方法识别车牌中的汉字，用伪二维隐马尔可夫模型(P2D-HMM)方法识别车牌中的英文字符及阿拉伯数字。该算法适用于不同的字符大小、字符倾斜、污损等情况，抗噪声能力强。字符识别正确率达94%以上，满足实用技术的要求。