本研究主要是基于YOLOv4网络对城市道路车辆进行识别与标记，现在主流的是通过视频监控对车辆进行识别，需要架设足够多的监控设备才能使效果达到最好，而通过高分辨率遥感图像对车辆识别就可以大程度减少监控设备的铺设，所以本研究采用的研究数据为静态高分辨率的遥感图像，所涉及的文献如文中所示。
2004年，朱长青等人撰写的基于形态分割的高分辨路遥感影像道路提取[1]一文中，介绍了对高精度遥感图像进行道路提取的方法。道路网络提取已有许多研究方法。例如种子点和动态规划研究了航空影像线性目标提取。从SAR影像上利用随机场模型等方法研究了道路特征提取方法。利用模糊融合技术研究了SAR影像的线性目标检测。基于多尺度检测与集合约束百鸟园检测相结合。文献[2]提出了线段特征匹配的方法用于高分辨率遥感图像的道路网络提取。
该文献运用基于灰度形态学的特征分割和线段特征匹配的方法对道路进行提取。通过灰度形态学对遥感图像进行预处理，再基于形态特征对图像进行分割，得到一个分割好检测区域的二值图像，最后运用文献[2]的线段特征匹配方法提取道路网络。该方法能将图像中各条道路的位置和方向都能很好的提取出来，并且提取的道路网和原始图像中的道路网直接按的位移很少。
2005年，明冬萍，骆剑承等发表的高分辨率要搞影像信息提取与目标识别技术研究[3]论文中提出了目前高分辨率遥感图像信息提取的部分主流方法和缺陷。具体分为建筑物自动提取，道路提取，桥梁目标识别。
建筑物自动提取的主要技术思路有三种：①以区域分割为基础的区域分析。②基于角点检测和匹配的方法。③由于航空摄像测量像片具有优越的提供立体相对的能力，极大促进了基于多片多视角分析技术的建筑物高度提取以及三维重建。道路提取的方法主要有四个步骤[4]：①道路特征的增强。②道路“种子点”确定。③将种子点扩散成段。④到路段的判断与修复。针对桥梁目标识别，采用的方法可以总结为：①采用一些预处理方法如增强和二值化等改善分割环境。②将水域与非水域分割开来。③采用线条检测的方法如Hough变换或链码追踪等提取桥梁的边界线。
这些方法的缺陷可以总结为：①缺少在大尺度影像上搜索和查找可能存在目标的能力。②方法针对性太强，基本都是针对某一特定种类目标而设计和实施，缺乏一个总体性的技术模型作为指导。③提取出来后程序结束，缺少高层的匹配和推理过程，不可避免地具有一定的人为行和主观性。④在知识的运用和处理上，关于地物空间语义关系知识的运用程度还不够。
该文献提出了基于特征基元的高分辨率遥感影像多尺度信息提取技术框架，该框架将信息提取分为低中高三层处理，底层主要针对数据进行影像的预处理操作。中层处理的核心是基元特征提取。高层处理是该体系的核心层次，在特征基元的基础上将不同类型的知识层次化的加入到高层处理中，来弥补目前暴露的缺陷。
2006年，罗欣，朱清新发表的改进的基于边缘检测技术的车流量统计[5]论文中提出了基于HSV颜色模式和边缘检测技术的车辆检测算法。该方法不同于目前基本上都集中在灰度图像的研究，选择了基于彩色图像的研究。HSV色彩模式不同于RGB颜色模式，它可以提供颜色的色调，饱和度，亮度信息等信息。
该算法使用阴影检测，通过对图像中HSV颜色模式中的信息分析是否有车辆经过，并且利用颜色的其他信息进行验算。当车辆颜色与背景十分接近时，仅采用颜色对比的效果就会很差，该文献借助边缘检测技术的思想，利用当前帧与背景帧检测区域的亮度变化值得到的检测区域的当前亮度变化灰度图来计算它所包含的边缘信息。
