汽车的自动识别在现实世界中的有着广泛的应用,比如公众安全,智能车辆,交通监测和停车场的收费管理等。但由于车辆图片的背景十分复杂,而且车辆类型众多,所以车辆识别一直是一个比较难的问题。因此,本文对车辆识别展开了深入的研究。在本文中,提出了一种自动检测和识别汽车类型的方法。该方法分为二个阶段,首先,用Adaboost的学习算法检测图片中是否有正面的汽车并得到车辆的头部区域,提取车头区域是确保接下来特征匹配阶段只在车头部分进行,而不会跟背景中的特征相匹配。第二,对车辆头部区域,提取局部特征(SURF或者SIFT),与数据库中的车辆图像相匹配,其中每种类型的车辆都只有一幅标本图像。然后跟据局部特征匹配的数目多少来判断车辆的类型,即最多匹配数目的车辆为所识别的结果。我们对八百多幅图片进行测试,其中包含48个不同类型的汽车,利用SIFT局部特征得到的识别率是75.47%,利用SURF局部特征得到的正确识别率是78.03%。另外还用Gabor滤波来分析汽车排气孔区域的纹理特征,用Shape context来描述车辆的整体轮廓,将Gabor跟SURF局部特征融合起来得到的识别率是81.27%,将shape context和SURF融合起来的识别率是82.54%。实验结果证明基于多特征融合的车辆识别有更高的准确率。