支持向量机(SVM)理论建立在结构风险最小化原理基础上，对非线性、高维数的小样本问题有非常好的分类效果和学习推广能力。本文设计了基于支持向量机的车型识别系统，系统通过对摄像机采集的视频图像进行运动目标检测分割、特征提取与选择、模式识别等处理，达到实时车型识别。试验结果表明，该系统有很高的识别率和适应性。关键词：支持向量机；车型识别；特征提取；不变矩我国高速公路收费是以车辆大小为依据的，在高速公路自动收费系统中，车型识别十分重要。目前，已有的车型识别方法有：利用磁感应线圈、压电传感器、红外线收发装置等判断车辆到来，获取通行车辆的轮数、前、后轮距、轴距、车高等特征，然后实现车辆分类[1~2]；选用地感线圈作为传感器，获得大量样本车辆感应曲线，对曲线数据进行分析，得到感应强度、高度、左右比重、上下比重、上升沿、下降沿、车长、凸凹性、峰值等特征，再利用模糊模式识别算法对车辆进行分类[3~4]。这类装置通常被埋在路面下或直接安装在路面上，尽管具有较高的识别率，计算量较小，但是安装和维护都必然损坏路面，装置本身的使用寿命较短，获取的交通信息也比较少，有时对天气和交通速度比较敏感。因此并没有推广开来；用可见光、红外等对汽车拍照，应用图像处理技术，获取车型特征，然后实现车辆分类。但是从试验结果来看，这种技术还很不成熟，如何将图像处理及模式识别的新技术应用到车型识别系统中，进一步提高车型识别的效率，还需作大量的研究工作。支持向量机（Support Vector Machine，简称SVM）技术是一种基于结构风险最小化原则的模式分类方法，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。它由Vapnik 基于统计学习理论提出，结合经验风险和期望风险的平衡点，兼顾学习能力和推广能力，可以很好地解决车型识别这类小样本识别问题。本文研究了基于支持向量机的车型自动识别系统，系统通过对摄像机采集的视频图像进行运动目标检测分割、特征提取与选择、模式识别等处理，达到实时车型识别。