文献综述（或调研报告）：
在视频车辆检测方面，目前主要有传统的基于机器学习的方法和基于深度学习的方法两类检测方法。基于机器学习的检测方法需要通过人工提取特征训练分类器，再使用分类器进行分类识别。其中特征提取是关键步骤，常用的特征有HOG特征、SIFT特征等。HOG特征提取通过计算局部区域的梯度方向直方图来描述特征，由于HOG的局部操作性，其面对几何和光学的形变都有较好的表现。将HOG与支持向量机组合使用也已被广泛应用在车辆检测中。SIFT特征提取通过在不同尺度上寻找特征点，计算出特征点方向。其对于旋转、缩放、平移、光照变化有着不变性，对遮挡、噪声也有着一定的稳定性，但SIFT特征提取的实时性不高，对边缘平滑的物体检测能力较差。此外，适合人脸识别的LBP特征、HAAR特征等，在车辆检测中也有一定的应用。基于机器学习的检测算法往往泛用性差；特征提取需要一定的经验性，容易影响检测结果。尽管如此，对于特定的应用场景，基于机器学习的检测算法凭借训练速度快，对硬件要求低的优点，仍然具有较大的研究意义。基于深度学习的检测方法，如Fast R-CNN、YOLO则是较新的方法。其通过基于卷积神经网络的深度学习，检测的准确度和效率有了极大的提升。卷积神经网络中的卷积层通过特征提取，一定程度上解决了传统方法需要人工提取特征的问题。尽管基于深度学习的检测方法取得了比传统方法更好的检测结果，但其通常需要在GPU条件下进行训练，训练速度较慢，对硬件条件的要求较高，相较于传统的检测方法研究成本较高。
在特征提取方面，基于机器学习的车辆特征提取方法主要采取直接匹配和基于特征的匹配。直接匹配以图像像素的灰度或色彩信息作为统计数据，用以与模板图像进行比对。例如，胡明娣[1]等人根据提取出的车辆图像颜色特征，使用Gamma函数刻画隶属度值，从而进行相似度测量，检索出包含车辆的图像。基于特征的匹配算法则通过SIFT、HOG特征等人工提取特征对车辆特征进行表达。例如，邱国枢[2]等人通过提取车辆的HOG特征用于结合SVM算法训练车辆分类模型，该分类模型对不同环境下的车辆识别都有较为准确的结果。此外，以车牌为代表的标志物也是重要的车辆特征。对于这类特征物体，其特征提取方法与车辆特征提取方法类似，但要针对其明暗、结构、纹理特点选取合适的特征提取方法。一方面，可以通过人工特征与机器学习相结合的方法直接对图像进行描述，例如使用颜色、SIFT、Gabor小波[3]特征等底层特征。另一方面，也可以通过卷积神经网络特征物体在不同层次上进行提取，使用深层特征对图像进行描述。
参考文献：
[1]胡明娣,霍艳艳.基于Gamma隶属度的车辆图像检索算法[J].西安邮电大学学报,2019,24(01):36-40.
[2]谷明琴,蔡自兴,何芬芬.形状标记图和Gabor小波的交通标志识别[J].智能系统学报,2011,6(06):526-530.
[3]邱国枢,张翔,刘军,王蕾,田青,郭建华.基于图像处理的车辆识别系统设计[J].吉首大学学报(自然科学版),2019,40(05):18-24.
[4]任飞凯,邱晓晖.基于LBP和数据扩充的CNN人脸识别研究[J/OL].计算机技术与发展,2020(03):1-7[2020-03-05].http://kns.cnki.net/kcms/detail/61.1450.TP.20191205.1113.028.html.
[5]贺瑜飞.基于Haar特征和改进的AdaBoost算法的人脸图像识别[J].榆林学院学报,2019,29(06):69-70 75.
[6]伍伟明. 基于Faster R-CNN的目标检测算法的研究[D].华南理工大学,2018.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
