随着经济的快速发展,车辆在人们生活中扮演着重要角色。智能交通系统(Intelligent Transportation System,ITS)提供了一套高效便捷的城市交通管理方案,用以缓解车辆融入城市所造成的问题,车辆识别作为ITS的核心功能之一,方法繁多并各有缺陷,有待改进。本文提出了对车脸组件提取不同特征的方法,不同于传统的局部特征提取方法,车脸组件特征很好地反映了车脸内部的细节,着重表现车脸不同组件的结构特性。车脸组件特征分为车灯组件的边缘特征,格栅组件的纹理特征,保险杠组件的SURF特征。它们各自表现了对应车脸组件最突出的特征信息,有很高的区分度。本文使用词袋模型融合不同的组件特征构建一个能表征车辆的融合特征向量,融合特征向量的构造方法为:对车灯、保险杠组件构建各自的视觉词典,由视觉词典得到图像的视觉词袋,最终获得词频特征向量。格栅组件的纹理特征向量用格栅对Gabor滤波器的响应值获取,由其对不同方向的Gabor滤波器响应值判断出格栅的主方向,总响应值以及响应极值数量,计算响应值的强度与分布,组合这些数据为一个向量作为纹理特征向量。线性扩展获得的三个组件特征向量作为融合特征向量,融合特征向量的维数为组件特征向量维数之和。在本文设计的车辆识流程中,对输入车辆图像,使用车辆检测器确定车辆位置后,使用水平、竖直积分投影截取出最大化车脸,做进一步预校正:剔除车牌无用信息、中值滤波去噪。对最大化车脸提取车脸组件特征,由词袋模型融合后获取融合特征,与车辆数据库中的特征数据匹配,输出最优结果。实验结果表明,本文所用方法行之有效,稳定性较好,特别在时间效率上有较大提升,能够满足系统的实时性需求。