随着我国经济高速的发展,我国汽车拥有量呈井喷式增加,这不仅污染了环境,而且使得交通道路拥堵和交通事故等问题频发。在这个大背景下,研究者为了解决日益严重的交通道路问题,将目光投向了计算机视觉系统。计算机视觉系统的一个研究热点是从视频序列中准确的检测出道路上的运动车辆,运动车辆的准确检测结果对于车流量统计,车型识别和车辆跟踪等应用都具有十分重要的意义。本文的主要研究内容是利用流形空间LE特征表示对运动车辆进行检测,其具体步骤包括道路上感兴趣检测区域的提取、LE特征表示的提取和运动车辆检测。1)本文提出了一种基于运动车辆光流分割块轨迹统计的车道线检测方法。该算法先后利用光流法和DBSCan聚类算法获取视频序列中的运动车辆所对应的聚类分割块;然后,对运动车辆分割块的运动轨迹进行一定时间的统计,获取运动车辆分割块轨迹统计结果。在运动车辆分割块统计结果的基础上,结合最小二乘直线拟合算法拟合出疑似车道线,进而从车道中提取出感兴趣检测区域。2)由于流形学习算法可以对数据进行非线性降维,获取数据的本征维度,大大降低数据的冗余信息,因此本文利用拉普拉斯特征,即LE特征对运动车辆进行检测。LE特征的提取过程分为两个步骤,首先利用Hog算法对收集的车辆正负样本图像进行处理,获取车辆正负样本的Hog特征;第二个步骤是利用拉普拉斯特征映射算法对车辆样本的Hog特征数据进行处理,将Hog特征数据映射到拉普拉斯空间,获取车辆样本的LE特征表示。3)本文研究了两种基于流形空间LE特征的运动车辆检测算法,分别为SVM分类器算法和LE平面算法。这两种算法都需要获取检测区域的LE特征,根据拉普拉斯特征映射算法的原理,无法直接将单个数据映射到LE空间,为此,本文提出了最近邻域映射算法,通过构建两个特征映射集合将检测区域映射到LE空间,获取检测区域的LE特征表示。本文在VS2008平台上结合OpenCV视觉库开发了一个运动车辆检测系统,通过这个系统可以实现对交通道路视频中的运动车辆进行准确的检测。