一種車型識別方法及終端與流程

本發明涉及視頻監控技術領域，具體涉及一種車型識別方法及終端。

背景技術：

隨著交通運輸業的快速發展，人們的出行日益便捷，但與此同時也伴隨著頻繁發生的交通事故、交通擁堵等現象，使得交通安全問題越來越成為人們重點關注的問題。在現代的科技背景下，人們引入了智能交通運輸系統(Intelligent Transportation System,ITS)。

目前來看，車型識別及時作為智能交通運輸系統的一個重要應用，雖然車型識別技術已經取得了非常大的進步，識別率非常高，速度也很快。但是，該技術目前還存在很多未被解決的難題，比如光照、角度等問題帶來的識別上的干擾，因而，如何識別出兩輛車是否為同一車型的問題有待解決。

技術實現要素：

本發明實施例提供了一種車型識別方法及終端，以期可識別出同一車型的車輛。

本發明實施例第一方面提供了一種車型識別方法，包括：

獲取第一目標圖像，所述第一目標圖像中包含第一車輛；

獲取第二目標圖像，所述第二目標圖像中包含第二車輛；

確定出所述第一目標圖像的第一車輛區域和所述第二目標圖像的第二車輛區域；

分別將所述第一車輛區域和所述第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離；

在所述余弦距離小于預設閾值時，確定所述第一車輛和所述第二車輛為同一車型；

在所述余弦距離大于或等于所述預設閾值時，確定所述第一車輛和所述第二車輛為不同車型。

可選地，所述采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離，包括：

采用所述目標分類器對所述第一圖像進行訓練，得到P個特征，所述P為大于1的整數；

采用所述目標分類器對所述第二圖像進行訓練，得到Q個特征，所述Q為大于1的整數；

分別對所述P個特征和所述Q個特征進行主成分分析PCA處理，得到所述P個目標特征和所述Q個目標特征；

根據所述P個目標特征和所述Q個目標特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，所述目標分類器為神經網絡分類器，所述神經網絡分類器的softmax工具箱中加入了center loss函數。

可選地，所述center loss函數如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數據量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數。

可選地，在所述獲取第一目標圖像之前，所述方法還包括：

獲取所述第一車輛的車型的正樣本集和負樣本集；

對所述正樣本集合所述負樣本集進行特征提取，得到多個特征；

對所述多個特征進行訓練，得到所述目標分類器。

本發明實施例第二方面提供了一種終端，包括：

第一獲取單元，用于獲取第一目標圖像，所述第一目標圖像中包含第一車輛；

第二獲取單元，用于獲取第二目標圖像，所述第二目標圖像中包含第二車輛；

第一確定單元，用于確定出所述第一目標圖像的第一車輛區域和所述第二目標圖像的第二車輛區域；

處理單元，用于分別將所述第一車輛區域和所述第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

計算單元，用于采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離；

第二確定單元，用于在所述余弦距離小于預設閾值時，確定所述第一車輛和所述第二車輛為同一車型；

所述第二確定單元，還具體用于：

在所述余弦距離大于或等于所述預設閾值時，確定所述第一車輛和所述第二車輛為不同車型。

可選地，所述計算單元包括：

訓練模塊，用于采用所述目標分類器對所述第一圖像進行訓練，得到P個特征，所述P為大于1的整數；

所述訓練模塊，還具體用于：

采用所述目標分類器對所述第二圖像進行訓練，得到Q個特征，所述Q為大于1的整數；

處理模塊，用于分別對所述P個特征和所述Q個特征進行主成分分析PCA處理，得到所述P個目標特征和所述Q個目標特征；

確定模塊，用于根據所述P個目標特征和所述Q個目標特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，所述目標分類器為神經網絡分類器，所述神經網絡分類器的softmax工具箱中加入了center loss函數。

可選地，所述center loss函數如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數據量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數。

可選地，所述終端還包括：

第三獲取單元，用于在所述第一獲取單元獲取第一目標圖像之前，獲取所述第一車輛的車型的正樣本集和負樣本集；

提取單元，用于對所述正樣本集合所述負樣本集進行特征提取，得到多個特征；

訓練單元，用于對所述多個特征進行訓練，得到所述目標分類器。

實施本發明實施例，具有如下有益效果：

通過本發明實施例，獲取第一目標圖像，第一目標圖像中包含第一車輛，獲取第二目標圖像，第二目標圖像中包含第二車輛，確定出，第一目標圖像的第一車輛區域和第二目標圖像的第二車輛區域，分別將，第一車輛區域和，第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像，采用目標分類器計算出第一圖像和第二圖像之間的余弦距離，在余弦距離小于預設閾值時，確定第一車輛和所述第二車輛為同一車型，在余弦距離大于或等于預設閾值時，確定第一車輛和所述第二車輛為不同車型。如此，可識別出同一車型的車輛。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明實施例提供的一種車型識別方法的第一實施例流程示意圖；

圖2是本發明實施例提供的一種車型識別方法的第二實施例流程示意圖；

圖3a是本發明實施例提供的一種終端的第一實施例結構示意圖；

圖3b是本發明實施例提供的圖3a所描述的終端的計算單元的結構示意圖；

圖3c是本發明實施例提供的圖3a所描述的終端的又一結構示意圖；

圖4是本發明實施例提供的一種終端的第二實施例結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

本發明的說明書和權利要求書及所述附圖中的術語“第一”、“第二”、“第三”和“第四”等是用于區別不同對象，而不是用于描述特定順序。此外，術語“包括”和“具有”以及它們任何變形，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統、產品或設備沒有限定于已列出的步驟或單元，而是可選地還包括沒有列出的步驟或單元，或可選地還包括對于這些過程、方法、產品或設備固有的其它步驟或單元。

在本文中提及“實施例”意味著，結合實施例描述的特定特征、結構或特性可以包含在本發明的至少一個實施例中。在說明書中的各個位置展示該短語并不一定均是指相同的實施例，也不是與其它實施例互斥的獨立的或備選的實施例。本領域技術人員顯式地和隱式地理解的是，本文所描述的實施例可以與其它實施例相結合。

本發明實施例所描述終端可以包括智能手機(如Android手機、iOS手機、Windows Phone手機等)、平板電腦、掌上電腦、筆記本電腦、移動互聯網設備(MID，Mobile Internet Devices)或穿戴式設備等，上述僅是舉例，而非窮舉，包含但不限于上述終端。

深度學習作為機器學習研究中的一個新領域，這兩年在圖像識別、語音識別以及自然語言處理方面取得了巨大的成功。深度學習是通過構建多層神經網絡模型來訓練數據，可以學習出有用的特征，通過對大量樣本學習可以得到很高的識別正確率。但是在同時需要識別多個屬性時，已有的深度學習方法往往是通過將各個屬性獨立出來，為每一個屬性訓練一個模型，這無疑大大增加了復雜度。因此，如何將各個屬性聯系起來，通過設計一個模型即可對多個屬性進行識別成為當下繼續解決的問題。

本發明實施例公開一種基于深度學習的車型識別方法。該方法在訓練過程中基于softmax loss的基礎上引入center loss，提高了準確率。主要包括以下3個步驟：獲取第一目標圖像，所述第一目標圖像中包含第一車輛；

獲取第二目標圖像，所述第二目標圖像中包含第二車輛；

確定出所述第一目標圖像的第一車輛區域和所述第二目標圖像的第二車輛區域；

分別將所述第一車輛區域和所述第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離；

在所述余弦距離小于預設閾值時，確定所述第一車輛和所述第二車輛為同一車型；

在所述余弦距離大于或等于所述預設閾值時，確定所述第一車輛和所述第二車輛為不同車型。

上述步驟可歸納為下述三個步驟：

1)、首先，將從輸入的圖像中檢測到車型區域并截取車型區域圖像，然后將車型圖像對齊，縮放到特定尺寸。

2)、其次，所有訓練圖像均由上述預處理后作為輸入，通過CNN訓練得到車型的特征，并在softmax的基礎上加入center loss，使學到的特征具有更加好的泛化能力和辨別能力。通過懲罰每個種類的樣本與該種類樣本中心的偏移，使得同一種類的樣本盡量聚合在一起。相對于triplet和contrastive來說，這個目標相對清晰，而且不需要像前兩者那樣構造大量的訓練對。

3)、最后，兩張車型圖像均經過步驟(1)和(2)，獲取到相應的特征，作為本步的輸入，通過訓練好的模型，計算出兩張車型圖像進過PCA后的余弦距離，并與先驗的閾值進行對比，如距離大于預設閾值，則認為這兩張車型圖像非同一輛車，否則為同一輛車。

請參閱圖1，為本發明實施例提供的一種車型識別方法的第一實施例流程示意圖。本實施例中所描述的車型識別方法，包括以下步驟：

101、獲取第一目標圖像，所述第一目標圖像中包含第一車輛。

可選地，第一目標圖像中可包含第一車輛。

102、獲取第二目標圖像，所述第二目標圖像中包含第二車輛。

103、確定出所述第一目標圖像的第一車輛區域和所述第二目標圖像的第二車輛區域。

其中，第一車輛區域為包含第一車輛的區域，第二車輛區域未包含第二車輛的區域。

104、分別將所述第一車輛區域和所述第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像。

其中，第一車輛區域在進行對齊及縮放到指定尺寸后，得到第一圖像，第二車輛區域在進行對齊及縮放到指定尺寸后，得到第二圖像。上述指定尺寸可由系統默認或者用戶自行設置。在數據預處理階段，通過對數據的增強來提高CNN模型的識別能力和泛化能力。本發明將使用以下方法對預處理階段所得到的車型圖像進行數據增強。首先，對顏色的數據增強，主要包括對色彩的飽和度、亮度以及對比度等方面。其次，對CNN網絡的輸入數據進行規范化，計算車型圖像的RBG顏色通道的均值和標準差，并在整個訓練集上計算了協方差矩陣，最后進行特征分解得到特征向量和特征值，并做PCA Jittering處理。最后，在訓練的時候采用隨機的圖像差值方式對車型圖像進行裁剪和縮放。

105、采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離。

可選地，上述步驟105中，采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離，可包括如下步驟：

51)、采用所述目標分類器對所述第一圖像進行訓練，得到P個特征，所述P為大于1的整數；

52)、采用所述目標分類器對所述第二圖像進行訓練，得到Q個特征，所述Q為大于1的整數；

53)、分別對所述P個特征和所述Q個特征進行主成分分析PCA處理，得到所述P個目標特征和所述Q個目標特征；

54)、根據所述P個目標特征和所述Q個目標特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，整個網絡結構包括3個卷積層和3個局部卷積層以及一個全連接層。

卷積神經網絡(CNN)已經廣泛應用于計算機視覺領域，顯著提高現有計算機視覺水平。在大多數可用的CNN中，softmax損失函數被用作訓練深度模型的監視信號。為了增強深度學習特征的識別能力，本發明實施例為車型識別任務提出一種新的監視信號，稱作為中心損失函數(center loss)。center loss的原理主要是在softmax loss的基礎上，通過對訓練集的每個類別在特征空間分別維護一個類中心，在訓練過程，增加樣本經過網絡映射后在特征空間與類中心的距離約束，從而兼顧了類內聚合與類間分離。同樣是作為訓練階段的輔助loss，center loss相對于contrastive loss和triplet loss的優點顯然省去了復雜并且含糊的樣本對構造過程，只需要在特征輸出層中引入即可。通過softmax和center loss的聯合監視，我們可以訓練出足夠強大的CNN，得到兩個關鍵學習目標的深層特征以及盡可能高的類間分散性和類內緊密性，有利于提高準確性。

可選地，上述目標分類器為神經網絡分類器，該神經網絡分類器的softmax工具箱中加入了center loss函數。

進一步可選地，所述center loss函數如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數據量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數。

具體地，為了開發有效的損失函數來提高辨別力的深層特征學習，其關鍵在于最小化類內變化同時保持不同類的特征可分離，因此，本發明實施例中提出了中心損失函數。中心損失函數定義如下：

其中表示第y_i類的中心深層特征，m表示批量處理圖像的數據量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數，該公式有效地說明了類內變化。并采取mini-batch的方式批量更新訓練集的中心，在每次迭代過程中，中心由對應類的特征所計算的均值產生。

其聯合損失函數定義如下：

其中，公式左邊是softmax損失函數，而右邊屬于center loss，λ參數用來協調兩個損失函數之間的平衡。

106、在所述余弦距離小于預設閾值時，確定所述第一車輛和所述第二車輛為同一車型。

107、在所述余弦距離大于或等于所述預設閾值時，確定所述第一車輛和所述第二車輛為不同車型。

其中，上述預設閾值可由系統默認或者用戶自行設置。在上述余弦距離小于預設閾值時，確定第一車輛和第二車輛為同一車型。在余弦距離大于或等于預設閾值時，確定第一車輛和所述第二車輛為不同車型。上述車型可為：車的樣式或者型號。例如，轎車和卡車是不同的車型，或者，奔馳轎車與林肯轎車的車型也不一樣。

在實際應用中，上述本發明實施例不僅可用于識別兩輛車的車型是否相同，還可以進行如下操作，例如，可獲取多張圖像，每一圖像中包含一個車輛，可通過本發明實施例識別出屬于同一車型的圖像，也可以將多張圖像中的車輛進行分類，例如，從大量車的圖像中找出同款車型。當然，還可以從一類車中找出不屬于該類車的車型。上述車型可包括但不僅限于：巴士、卡車、摩托車、面包車等等。

可以看出，通過本發明實施例，獲取第一車輛的車型的正樣本集和負樣本集，對正樣本集合負樣本集進行特征提取，得到多個特征，對多個特征進行訓練，得到目標分類器，獲取第一目標圖像，第一目標圖像中包含第一車輛，獲取第二目標圖像，第二目標圖像中包含第二車輛，確定出，第一目標圖像的第一車輛區域和第二目標圖像的第二車輛區域，分別將，第一車輛區域和，第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像，采用目標分類器計算出第一圖像和第二圖像之間的余弦距離，在余弦距離小于預設閾值時，確定第一車輛和所述第二車輛為同一車型，在余弦距離大于或等于預設閾值時，確定第一車輛和所述第二車輛為不同車型。如此，可識別出同一車型的車輛。

與上述一致地，請參閱圖2，為本發明實施例提供的一種車型識別方法的第二實施例流程示意圖。本實施例中所描述的車型識別方法，包括以下步驟：

201、獲取第一車輛的車型的正樣本集和負樣本集。

202、對所述正樣本集合所述負樣本集進行特征提取，得到多個特征。

203、對所述多個特征進行訓練，得到目標分類器。

其中，步驟201中的正樣本集可為第一車輛，例如，第一車輛的車型特征等等，正樣本集中包含多個正樣本。負樣本集則為用戶想檢索的目標之外的景物，負樣本集中包含多個負樣本。上述正樣本集和負樣本集的包含的樣本數量當然越多，訓練出來的模型越準確，但是，正樣本和負樣本的數量越多，也會增加訓練時候的計算成本。采用分類器對正樣本集和負樣本集進行訓練，就可以得到一個訓練模型。其中，上述分類器可為神經網絡分類器，支持向量基(Support Vector Machine，SVM)分類器、遺傳算法分類器、CNN分類器等等。

204、獲取第一目標圖像，所述第一目標圖像中包含第一車輛。

205、獲取第二目標圖像，所述第二目標圖像中包含第二車輛。

206、確定出所述第一目標圖像的第一車輛區域和所述第二目標圖像的第二車輛區域。

207、分別將所述第一車輛區域和所述第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像。

208、采用所述目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離。

209、在所述余弦距離小于預設閾值時，確定所述第一車輛和所述第二車輛為同一車型。

210、在所述余弦距離大于或等于所述預設閾值時，確定所述第一車輛和所述第二車輛為不同車型。

其中，上述步驟204-步驟210可參照圖1所描述的車型識別方法的對應步驟。

可以看出，通過本發明實施例，獲取第一目標圖像，第一目標圖像中包含第一車輛，獲取第二目標圖像，第二目標圖像中包含第二車輛，確定出，第一目標圖像的第一車輛區域和第二目標圖像的第二車輛區域，分別將，第一車輛區域和，第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像，采用目標分類器計算出第一圖像和第二圖像之間的余弦距離，在余弦距離小于預設閾值時，確定第一車輛和所述第二車輛為同一車型，在余弦距離大于或等于預設閾值時，確定第一車輛和所述第二車輛為不同車型。如此，可識別出同一車型的車輛。

與上述一致地，以下為實施上述車型識別方法的裝置，具體如下：

請參閱圖3a，為本發明實施例提供的一種終端的第一實施例結構示意圖。本實施例中所描述的終端，包括：第一獲取單元301、第二獲取單元302、第一確定單元303、處理單元304、計算單元305和第二確定單元306，具體如下：

第一獲取單元301，用于獲取第一目標圖像，所述第一目標圖像中包含第一車輛；

第二獲取單元302，用于獲取第二目標圖像，所述第二目標圖像中包含第二車輛；

第一確定單元303，用于確定出所述第一目標圖像的第一車輛區域和所述第二目標圖像的第二車輛區域；

處理單元304，用于分別將所述第一車輛區域和所述第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

計算單元305，用于采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離；

第二確定單元306，用于在所述余弦距離小于預設閾值時，確定所述第一車輛和所述第二車輛為同一車型；

所述第二確定單元306，還具體用于：

在所述余弦距離大于或等于所述預設閾值時，確定所述第一車輛和所述第二車輛為不同車型。

可選地，如圖3b，圖3b為圖3a所描述的終端的計算單元305的具體細化結構，所述計算單元305可包括：訓練模塊3051、處理模塊3052和確定模塊3053

訓練模塊3051，用于采用所述目標分類器對所述第一圖像進行訓練，得到P個特征，所述P為大于1的整數；

所述訓練模塊3051，還具體用于：

采用所述目標分類器對所述第二圖像進行訓練，得到Q個特征，所述Q為大于1的整數；

處理模塊3052，用于分別對所述P個特征和所述Q個特征進行主成分分析PCA處理，得到所述P個目標特征和所述Q個目標特征；

確定模塊3053，用于根據所述P個目標特征和所述Q個目標特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，所述目標分類器為神經網絡分類器，所述神經網絡分類器的softmax工具箱中加入了center loss函數。

可選地，所述center loss函數如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數據量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數。

可選地，如圖3c，圖3c為圖3a所描述的終端的變型結構，與圖3a所描述的終端相比較，其還包括：第三獲取單元307、提取單元308和訓練單元309，具體如下：

第三獲取單元307，用于在所述第一獲取單元獲取第一目標圖像之前，獲取所述第一車輛的車型的正樣本集和負樣本集；

提取單元308，用于對所述正樣本集合所述負樣本集進行特征提取，得到多個特征；

訓練單元309，用于對所述多個特征進行訓練，得到所述目標分類器。

可以看出，通過本發明實施例所描述的終端，可獲取第一目標圖像，第一目標圖像中包含第一車輛，獲取第二目標圖像，第二目標圖像中包含第二車輛，確定出，第一目標圖像的第一車輛區域和第二目標圖像的第二車輛區域，分別將，第一車輛區域和，第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像，采用目標分類器計算出第一圖像和第二圖像之間的余弦距離，在余弦距離小于預設閾值時，確定第一車輛和所述第二車輛為同一車型，在余弦距離大于或等于預設閾值時，確定第一車輛和所述第二車輛為不同車型。如此，可識別出同一車型的車輛。

與上述一致地，請參閱圖4，為本發明實施例提供的一種終端的第二實施例結構示意圖。本實施例中所描述的終端，包括：至少一個輸入設備1000；至少一個輸出設備2000；至少一個處理器3000，例如CPU；和存儲器4000，上述輸入設備1000、輸出設備2000、處理器3000和存儲器4000通過總線5000連接。

其中，上述輸入設備1000具體可為觸控面板、物理按鍵或者鼠標。

上述輸出設備2000具體可為顯示屏。

上述存儲器4000可以是高速RAM存儲器，也可為非易失存儲器(non-volatile memory)，例如磁盤存儲器。上述存儲器4000用于存儲一組程序代碼，上述輸入設備1000、輸出設備2000和處理器3000用于調用存儲器4000中存儲的程序代碼，執行如下操作：

上述處理器3000，用于：

獲取第一目標圖像，所述第一目標圖像中包含第一車輛；

獲取第二目標圖像，所述第二目標圖像中包含第二車輛；

確定出所述第一目標圖像的第一車輛區域和所述第二目標圖像的第二車輛區域；

分別將所述第一車輛區域和所述第二目標圖像進行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離；

在所述余弦距離小于預設閾值時，確定所述第一車輛和所述第二車輛為同一車型；

在所述余弦距離大于或等于所述預設閾值時，確定所述第一車輛和所述第二車輛為不同車型。

可選地，上述處理器3000采用目標分類器計算出所述第一圖像和所述第二圖像之間的余弦距離，包括：

采用所述目標分類器對所述第一圖像進行訓練，得到P個特征，所述P為大于1的整數；

采用所述目標分類器對所述第二圖像進行訓練，得到Q個特征，所述Q為大于1的整數；

分別對所述P個特征和所述Q個特征進行主成分分析PCA處理，得到所述P個目標特征和所述Q個目標特征；

根據所述P個目標特征和所述Q個目標特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，所述目標分類器為神經網絡分類器，所述神經網絡分類器的softmax工具箱中加入了center loss函數。

可選地，所述center loss函數如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數據量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數。

可選地，上述處理器3000在所述獲取第一目標圖像之前，還具體用于：

獲取所述第一車輛的車型的正樣本集和負樣本集；

對所述正樣本集合所述負樣本集進行特征提取，得到多個特征；

對所述多個特征進行訓練，得到所述目標分類器。

本發明實施例還提供一種計算機存儲介質，其中，該計算機存儲介質可存儲有程序，該程序執行時包括上述方法實施例中記載的任何一種車型識別方法的部分或全部步驟。

盡管在此結合各實施例對本發明進行了描述，然而，在實施所要求保護的本發明過程中，本領域技術人員通過查看所述附圖、公開內容、以及所附權利要求書，可理解并實現所述公開實施例的其他變化。在權利要求中，“包括”(comprising)一詞不排除其他組成部分或步驟，“一”或“一個”不排除多個的情況。單個處理器或其他單元可以實現權利要求中列舉的若干項功能。相互不同的從屬權利要求中記載了某些措施，但這并不表示這些措施不能組合起來產生良好的效果。

本領域技術人員應明白，本發明的實施例可提供為方法、裝置(設備)、或計算機程序產品。因此，本發明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產品的形式。計算機程序存儲/分布在合適的介質中，與其它硬件一起提供或作為硬件的一部分，也可以采用其他分布形式，如通過Internet或其它有線或無線電信系統。

本發明是參照本發明實施例的方法、裝置(設備)和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

盡管結合具體特征及其實施例對本發明進行了描述，顯而易見的，在不脫離本發明的精神和范圍的情況下，可對其進行各種修改和組合。相應地，本說明書和附圖僅僅是所附權利要求所界定的本發明的示例性說明，且視為已覆蓋本發明范圍內的任意和所有修改、變化、組合或等同物。顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和范圍。這樣，倘若本發明的這些修改和變型屬于本發明權利要求及其等同技術的范圍之內，則本發明也意圖包含這些改動和變型在內。