前方车辆检测，这里指的是基于车辆自身对象，而不是公路交通部分的车辆检测。
前方车辆检测，可以用于防碰撞系统、进而用于自动巡航（ACC）等功能，应用场景广泛，所以，此技术是一项比较基础的技术。而先前的ACC，只是基于正前方车辆的检测，对于侧面的车辆或环境的跟踪能力有限。但随着各种传感器和导航地图的应用，ACC的能力也会大大增强。ACC只用于高速行驶状态，但已有低速跟车系统的研究。
前方车辆检测，常用的传感器有高频雷达（毫米波）、红外激光雷达、摄像头。
每种传感器都有各自的优缺点：
雷达：自己可选用的波段有限，常用24G（厘米波）、79G波段。对雨雾天气的适应能力好，探测距离大150米，但容易受电磁干扰影响。据传，79G雷达技术对国内有限制的。而欧盟和我国的工信部是建议24G作为车载雷达波段。而美国是推荐79G波段作为车载雷达的使用波段。http://www.srrc.org.cn/NewsShow6038.aspx
红外激光：抗干扰能力强，定向性。但对于雨雾天气的穿透能力弱。且成本高。
摄像头：基于视觉的探测。对距离的判断较弱（单目视觉情况下），易受雨雾天气的影响。
所以，想适应各种场景，厂商一般会采用多种传感器收集信息。
这里重点总结下，基于单目视觉的车辆检测技术。
从视觉上来讲，车辆的形状、颜色和大小虽然限定在一定范围，但都是不固定的，而且，其外形会受到自身姿势和外部环境，如光照或旁边物体的影响。
汽车有一些一些典型的特征， 如对称性、颜色、阴影、几何特征（如角点、边缘）、纹理、车灯。
1）对称性：汽车从前方和后方来看，无论是在区域面积还是边缘特征上，具有很好的对称性。但是，对称性特征易受噪声的干扰，以及角度的影响。
2）颜色：颜色空间一般不直接使用在车辆上，而比较有效的手段是识别路面和车辆阴影。
3）阴影：车辆阴影是与车辆相关的一个重要的特征。因为车辆阴影一般比周围区域都要暗。但具体的参数指标，还与光照，即天气状况有关。
一般做法是采用两个阈值，一高、一低，低阈值用于确定阴影，而高阈值由阴影周围环境来确定，如局部分割算法，均值+方差。
4）角点：先检测出所有角点，然后再根据角点的空间关系，如汽车的四个角点会形成一个矩形，来筛选汽车。
5）垂直或水平边缘：一种方式，直接检测垂直边缘，利用类似直方图计算垂直投影。然后，车辆底盘下方阴影部分也是重要的水平边缘特征。另外，也有采用多分辨率的方式，在每个层次都边缘只是作为一种初步的筛选/搜索手段。
6）纹理：熵、共生矩阵都可被作为基于纹理的图像分割的基础。
7）车灯：主要是用于夜间车辆的探测。因为，以上特征在晚上基本都无效了。
8）基于运动的方法：以上其中都是空间特征。而基于运动的方法是对图像连续序列的分析。如光流法。
但光流法会消耗大量的计算资源，时间和空间。
无论是用遍历的方式，还是用特征筛选出的候选区域，对筛选出的子图像需要进一步识别，车辆还是非车辆。
1）基于模板的方法
采用简化过的车辆模板来筛选。
2）基于外观特征的方法
车辆VS非车辆 分类
二类分类问题，一般采用机器学习/模式识别的方法解决。
首先，需要大量的训练图片。
其次，选取合适的特征，如PCA，HOG，harris，haar wavelet feature, SIFT等
再次，选取分类器，如NN,svm等
车辆的跟踪的好处：
1）提前预测车辆出现的位置，减少车辆检测的搜索空间，节省计算时间。
2）区分多个车辆，每辆车都有各自的特征，如HOG，边缘，灰度密度等，使用这些特征，就可以区分不同类型的车辆。根据跟踪算法的结果，即使是同款车辆出现在同一场景，也能基本区分。
