在训练阶段，首先采集车辆的正、负样本，对采集到的样本数据库进行整合分类，获取这些车辆样本的HOG特征信息，输入到分类器中进行训练，以便生成SVM线性分类器。而在检测阶段，需要用到上一步得到的线性分类器，对检测窗口进行分类识别，并用小绿框将符合线性分类器判定为正的小区域勾画出来，我们就认为被小绿框所框起的部分为车辆。 

本设计对图像进行预处理、目标特征提取、训练分类器等车辆检测识别所技术进行研究，在对车辆目标特征的提取方法对比，最终选取HOG特征作为对车辆的识别特征；然后对于目前通用的目标分类器以及训练方法做分析，比较各自的优缺点，选取SVM线性分类器作为本设计的分类器进行分类训练，实现对车辆的自动检测识别。通过这一系列的流程进行，首先采集所需要检测车辆的正负样本，对图像进行归一化（即灰度化），然后进行分割，提取梯度方向直方图（HOG）特征，将提取到的HOG特征输入到SVM线性分类器进行训练，最后进行多次实验检测识别，通过多次实验的统计结果验证了算法的有效性和准确性，则以完成该设计。

本文组织

本文主要分为四个章节：

第一章，主要介绍了本设计的研究背景及意义，对现阶段自动对象检测和分类技术有了一定理解，领悟到现阶段的图像处理技术在车辆识别上的优势以及依然面临的问题，着重说明了本设计的重要性。

第二章，主要介绍了基于MATLAB的GUI设计，在我看来，GUI就像是我们设计的“外包装”，把那些乱七八糟的程序都组合起来，使运行结果使更美观，更有特色。

第三章，则是说明了整个设计的具体流程，以及一些算法的原理，了解了Dalai提出的HOG特征提取方法和SVM线性分类器生成的方法，最终呈现出本设计的结果。

第四章，总结完成的具体工作，展望本设计的应用范围，并提出新的问题和未来的展望，后续解决。

训练部分分为三个步骤：第一，车辆正、负样本采集，正样本是指含有待检测车辆的样本，尽量样本中只有该车辆本身，不要有过多的元素在其中，过多的元素会对检测结果进行干扰，会带来一定的负面影响。而负样本就比较随意，只要与待检测车辆无关就可以；第二，提取车辆HOG特征，就是把这些图片窗口的特征通过一定的算法，映射到一个特征向量空间中，用向量的形式表示出来；第三，生成SVM线性分类器，将上步所获取的HOG特征向量传递到分类器中，从而生成SVM线性分类器。

另外，检测部分也分为三个步骤：第一，将图片导入至检测窗口，计算该图片的HOG特征向量；第二，将该图片的局部区域HOG特征向量输入至训练阶段生成的SVM线性分类器中，对检测窗口进行分类识别；第三，用绿色小矩形框标识分类器判定为正的窗口，之后将一些重叠在一起的小标识框合并成一个较大的绿色标识框，检测完毕。