智能交通系统(ITS)是实现现代化交通的关键组成部分,随着智能交通的日益发展,作为计算机视觉研究和智能交通系统中的关键环节,车型识别技术也越来越受到研究人员的重视。该技术在交通监控、高速公路系统、车辆检测管理系统、电子缴费系统及停车场自动化建设等领域有着广泛的应用。同时在缓解城市交通压力、城市安防以及减少交通事故等方面具有突出的应用价值。基于Gabor特征的稀疏表示车型识别算法由车辆样本库的建立、Gabor特征提取、车型分类算法三部分组成。本文实验环境为Matlab2009b,选取了60种不同类型的车辆类型进行分类试验,每种车型由10幅不同的车脸图像组成,这些图像样本在角度和光照上有变化,利用这些图像建立样本库。之后利用Gabor滤波对样本图像进行特征提取,最后采用稀疏表示分类方法以及其改进方法对测试图像进行分类。本文在实验过程中采用了三种分类算法:稀疏表示车型识别法、基于Gabor特征的稀疏表示识别法、基于向量总变差模型的改进型Gabor特征的稀疏表示识别方法。在不同大小的车辆类型样本库上对三种识别方法进行对比实验,试验结果证明了本文算法的可行性。对三种不同算法实验数据进行比对,基于Gabor特征的稀疏表示识别法相较于稀疏表示识别法,识别率提高了31%,平均识别率达到了90.9%。之后将向量总变差模型代替原方法中最小1l范数的求解步骤,提出了改进的GSRC算法,使得求解系数更为准确,车型的识别率进一步提高,尤其是在低维度情况下识别率提升较为明显,平均识别率为93.0%。实验结果表明该车型识别方法充分利用了样本图像的局部特征,对尺度和光照变化具有鲁棒性。但是该方法的缺点在于提高识别率和鲁棒性的同时消耗了更多的时间,识别平均时间由70.1s增加到了360.2s,影响了识别的实时性。