摘要：针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题，提出了融合多模式弱分类器，并以 AdaBoost-Bagging 集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点，以Haar 特征训练判别式弱分类器，以 HOG 特征训练生成式弱分类器，以 AdaBoost 算法为桥梁，采用泛化能力强的 Bagging 学习器集成算法得到 AdaBoost-Bagging 强分类器，利用 Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明：相比于单模式弱分类器，AdaBoost-Bagging 强分类器在分类能力和处理时间上均具有优越性，表现为较高的检测率与较低的误检率，分别为95．7％、0．00027％，每帧图像的检测时间较少，为25 ms；与传统级联 AdaBoost 分类器相比，AdaBoost-Bagging 强分类器虽然增加了12％的检测时间和30％的训练时间，但检测率提升了1．8％，误检率降低了0．00006％；本文算法的检测性能显著优于基于 Haar 特征的 AdaBoost 分类器算法、基于 HOG 特征的 SVM 分类器算法、基于 HOG 特征的 DPM 分类器算法，具有较佳的车辆检测效果。

关键词：车辆检测 判别式模型 生成式模型 多模式弱分类器 

单位：江苏大学汽车与交通工程学院 江苏镇江212013