本文总结了近年来静态图像的车辆检测中所应用的车辆识别算法,并分析了各种车辆检测算法的特点。同时,提出了一种利用车辆局部特征的静态图像车辆检测算法。该算法由两个步骤组成:候选区域提取(hypothesis generation, HG)和车辆认证(hypothesis verification, HV)。在候选区域提取阶段,充分利用车辆的颜色特征,提出一种新的基于K-L变换的颜色变换模型。该模型可将测试样本图像的所有像素颜色由RGB三维颜色空间变换到二维颜色空间(s,t)上。在这个二维颜色空间上,车辆像素和非车辆像素分别集中在具有较好分离程度的两个区域。利用该模型进行候选区域提取可有效缩小车辆识别阶段的像素点扫描范围,缩短车辆检测算法的运行时间。在车辆认证阶段,提出一种新的利用局部特征的子空间车辆识别算法,该算法涉及车辆样本的预处理、局部特征的选择、利用PCA的局部特征主成分提取、最近邻分类器设计等内容。为了减少由于不同场景和光照条件造成的车辆样本对比度差异,该算法首先对采集来的车辆样本利用直方图均衡化的方法进行预处理,接着通过分析光照条件和背景噪声对车辆样本图像各个子区域的影响,选取了三个子区域作为局部特征;然后利用PCA的方法进行特征提取,构成三个特征空间;最后对测试图像做同样的提取特征的处理,并利用最近邻分类器进行分类识别检测。实验结果表明,本文提出的候选区域提取算法和车辆识别算法具有良好的鲁棒性,准确性较高。