在智能交通系统(ITS)中,车辆特征检测包括车牌检测、车标检测、车型和车脸检测。目前,车牌识别技术已经在各个国家发展地相当成熟,并且已经投入广泛的应用。车标识别作为智能交通系统(ITS)的一项重要研究领域,可以辅助车牌识别进行各种道路布控、停车场管理、高速公路电子收费等。它对于科技的进步和经济的发展有着重要的意义。随着计算机视觉和模式识别技术的不断发展,以图像理解为基础的智能交通系统逐步得到实际应用。计算机视觉通过计算机来模拟人眼视觉,提取图像中的有用信息,并对提取到的信息进行处理和理解,从而实现系统的实际检测、控制和测量等功能。作为智能交通系统(ITS)的一个具体应用,图像处理技术在智能交通系统(ITS)中的应用领域非常广阔。本文主要针对智能交通系统中的车标识别技术展开研究和探讨。算法总体分为三部分：图像预处理,车标定位,车标识别。其中车标定位部分是整个流程的关键阶段,包括粗定位和精定位。它利用车牌与车标相对位置的先验知识确定车标所在的大致区域,然后使用Sobel算子边缘检测得到车标的轮廓,采用大津法(OTSU)对轮廓图进行二值化,通过计算二值图中前景像素的占比判断车标周围干扰条纹的类型。接着对车标二值图进行形态学滤波得到满足一定条件的联通域。最后对连通域进行垂直水平投影,通过设定像素个数阈值得到车标的上下左右边界,从而对车标精确定位；而基于特征描述匹配的车标识别,大致分为特征点检测、特征描述和特征匹配三个阶段,它首先建立模板图像库,然后对待识别车标和所有的模板图像提取尺度不变特征变换SIFT (Scale-invariant Feature Transform)特征点,再使用本文改进的快速视网膜特征FREAK (Fast Retina Keypoint)描述子进行特征点描述,通过计算模板和待识别车标描述向量之间的距离,使用最近邻匹配结合最近邻和次近邻的比值以及RANSAC方法进行快速匹配和优化,实现车标的配准识别。本文在车标定位阶段,加入了Sobel算子±45°方向卷积,通过判定车标的纹理类型进行不同方向的梯度卷积,在提取车标边缘的同时滤除周围的干扰条纹；在车标识别阶段,提出了SIFT特征点检测和FREAK特征描述相结合的方法,不仅能够获得较多的车标特征信息,还使特征描述和匹配的时间大大缩短；对原有FREAK算法添加长距离点对,设定阈值Dmin,只利用关键点采样模式中距离较远的点来生成特征点的角度信息,这样算法更适用于车标旋转尺度变化较大的环境；对Hamming距离进行加权。对每一个关键点,在为了生成描述子选择点对时,对训练数据(training data)描述子的每一列计算均值,越接近0.5的列权值越大,改进了原来Hamming距离计算粗略的状态,使距离计算更精确。实验结果表明,本文算法具有较高的识别精度和实时性能,更适用于旋转尺度变化较大的环境下,车标匹配性能要求较高的场合。