伴随着机动车保有量的逐年增加,我国交通问题日益严峻,车辆身份信息的获取与识别逐渐成为智能交通系统中的一个研究热点。车辆标志是除车辆牌照之外最可区分车辆身份信息的标志之一,其识别研究具有重要的意义。同时车标体积小、品牌间相似程度高等因素,也使得车标识别的研究存在非常大的挑战。针对现有技术存在鲁棒性低、实时性差的问题,本文提出一种新的车标识别算法,包括车标定位和车标识别两个阶段。本文的主要工作和创新点如下:在车标定位阶段,提出基于先验知识与背景纹理抑制的车标定位方法。利用基于局部二值模式(Local Binary Pattern,LBP)的Adaboost方法得到车牌的先验位置,并参照车牌与车标之间的位置结构特性,获取包含车标的候选区域;在此基础上,采用Sobel算子和Gabor滤波器相结合的纹理抑制方法,去掉车标周围的背景,获得精确的车标位置。在车标识别阶段,提出基于分层梯度方向直方图(Pyramid Histogram of Orientated Gradients,PHOG)和ORB(Oriented FAST and Rotated BRIEF)算法的车标二级识别。针对传统的PHOG特征运算量大、特征维数高的问题,将PHOG计算方法中的均匀分层分块改为有重叠的分块滑动策略,使用重叠分块PHOG特征与SVM分类器相结合,完成车标的第一级识别;同时为了提高对旋转与多尺度车标的识别鲁棒性,依据第一级识别中分类器的概率估计值,计算分类置信度,当置信度小于阈值时,进一步采用基于ORB的模板匹配方法,对第一级识别中无法识别的车标进行第二级识别,得到最终的车标识别结果。本文对提出的算法进行实验与结果分析,实验中分别使用公共数据库以及自建数据库对算法进行测试。实验结果证明本文提出的方法准确率及时间效率高,且具有很好的鲁棒性。