在图像处理和分析中,边缘检测是一种重要的手段。图像边缘特性的检测与提取方法,一直是图像处理与分析技术中的研究热点。论文通过将车辆识别与边缘检测结合起来研究,可以让边缘检测的研究具有现实针对性,与生产生活紧密联系。论文以传统边缘检测方法的系统学习研究为起点,逐步分析比较已知算法优势和劣势,总结现有边缘检测的难点、重点,给出针对性的改进算法。针对小波变换具有良好的时频局部化特性、多尺度分析能力,在车辆灰度图像中,给出一种基于Contourlet变换的改进多尺度边缘检测算法。通过Contourlet变换设计自适应阈值,结合小波的多尺度变换,用模极大值的方法得到不同尺度下的车辆边缘图像。从而有效的识别车辆图像信息,剔除噪声引入的伪视频内容,减少噪声的影响,使车辆识别的边缘检测的鲁棒性得到提升。论文针对Gabor滤波器应用中维数和计算负荷的瓶颈问题,给出了一种基于边缘特征的车型识别算法。该算法依据车辆的几何特征,通过背景消减算法把车辆从背景中分离出来,提取其Gabor特征,采用非均匀采样策略,在样本图像的关键部位进行密集采样,非关键部位进行稀疏采样来解决Gabor特征提取中的维数和计算负荷问题,将待识别图像的Gabor集和不同模板图像的Gabor集进行比较,取最高的相似值来确认待识别车辆的类型。实验表明,在不降低识别率的情况下,有效降低了Gabor特征矢量的维数。