本發(fā)明涉及智能交通的計算機視覺領域，尤其涉及一種車輛識別方法及系統(tǒng)。

背景技術(shù)：

隨著計算機視覺和成像技術(shù)的發(fā)展，基于視頻的智能交通監(jiān)控系統(tǒng)逐漸得到了廣泛的應用。其中車輛檢測是智能交通監(jiān)控系統(tǒng)的核心技術(shù)，系統(tǒng)對監(jiān)控場景的高層語義理解，如車輛軌跡獲取、車輛行為分析、異常事件檢測等，都很大程度上依賴于車輛檢測的結(jié)果。因此高效、魯棒的車輛檢測方法對于智能交通監(jiān)控系統(tǒng)具有重要的意義。

目前的視頻車輛檢測方法為：將車輛看成是場景中主要的運動目標，通過運動目標檢測方法(如幀間差、背景建模)定位車輛。此類方法存在許多缺陷。首先場景中的陰影和遮擋會給運動目標檢測帶來很大的干擾，需要添加復雜的陰影和遮擋處理策略；其次，運動目標檢測方法通常不能處理光照突變以及復雜的動態(tài)場景，限制了此類方法的應用場景；此外，運動目標檢測很難處理高分辨視頻，通常需要進行降采樣，丟失了有用的細節(jié)信息。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種車輛識別方法及系統(tǒng)，用于至少解決上述技術(shù)問題之一。

第一方面，本發(fā)明實施例提供一種車輛識別方法，包括：

按照車輛姿態(tài)將多個具有不同車輛姿態(tài)的車輛圖像分為多個類別；

分別獲取所述多個類別的車輛圖像的特征；

基于每個所述類別的車輛圖像的特征訓練相應于每個所述類別的車輛姿態(tài)分類器；

利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像。

第二方面，本發(fā)明實施例提供一種車輛識別系統(tǒng)，包括：

車輛圖像分類模塊，用于按照車輛姿態(tài)將多個具有不同車輛姿態(tài)的車輛圖像分為多個類別；

圖像特征獲取模塊，用于分別獲取所述多個類別的車輛圖像的特征；

分類器訓練模塊，用于基于每個所述類別的車輛圖像的特征訓練相應于每個所述類別的車輛姿態(tài)分類器；

車輛圖像識別模塊，用于利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像。

第三方面，本發(fā)明實施例提供一種計算機可讀的非瞬時性存儲介質(zhì)，所述存儲介質(zhì)中存儲有一個或多個包括執(zhí)行指令的程序，所述執(zhí)行指令能夠被電子設備(包括但不限于計算機，服務器，或者網(wǎng)絡設備等)讀取并執(zhí)行，以用于執(zhí)行上述方法實施例中的相關步驟，例如：

按照車輛姿態(tài)將多個具有不同車輛姿態(tài)的車輛圖像分為多個類別；

分別獲取所述多個類別的車輛圖像的特征；

基于每個所述類別的車輛圖像的特征訓練相應于每個所述類別的車輛姿態(tài)分類器；

利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像。

第四方面，提供一種電子設備，其包括：

至少一個存儲器，用于存儲運行指令；

至少一個處理器，用于執(zhí)行所述存儲器存儲的運行指令，以執(zhí)行：

按照車輛姿態(tài)將多個具有不同車輛姿態(tài)的車輛圖像分為多個類別；

分別獲取所述多個類別的車輛圖像的特征；

基于每個所述類別的車輛圖像的特征訓練相應于每個所述類別的車輛姿態(tài)分類器；

利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像。

本發(fā)明實施例的車輛識別方法、系統(tǒng)、存儲介質(zhì)和電子設備，首先將車輛圖像按照姿態(tài)劃分為不同的類別。然后分別提取各個類別的車輛圖像的特征。再基于具有不同車輛姿態(tài)的車輛圖像訓練多個車輛姿態(tài)分類器以用于對待識別圖像中所包含的不同姿態(tài)的車輛圖像的識別。實現(xiàn)了對待識別圖像中的不同姿態(tài)的車輛圖像的自動準確的識別定位?？梢?，本發(fā)明實施例的車輛識別方法、系統(tǒng)、存儲介質(zhì)和電子設備不需要對待識別圖像進行降采樣，保留了原始待識別圖像的所有細節(jié)信息。也正是由于這些細節(jié)信息的保留才導致了本發(fā)明實施例對待識別圖像中所包含的車輛圖像的快速準確地識別定位。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明的車輛識別方法一實施例的流程圖；

圖2為圖1中步驟S12的一實施方式的流程圖；

圖3為圖2中步驟S22的一實施方式的流程圖；

圖4為圖1中步驟S14的一實施方式的原理框圖；

圖5為圖4中步驟S41的一實施方式的原理框圖；

圖6為本發(fā)明的車輛識別系統(tǒng)一實施例的原理框圖；

圖7為本發(fā)明的車輛識別系統(tǒng)中的圖像特征獲取模塊一實施例的原理框圖；

圖8為本發(fā)明的車輛識別系統(tǒng)中的邊緣紋理特征獲取單元一實施例的原理框圖；

圖9為本發(fā)明的車輛識別系統(tǒng)中的車輛圖像識別模塊一實施例的原理框圖；

圖10為本發(fā)明的車輛識別系統(tǒng)中的車輛姿態(tài)判別單元一實施例的原理框圖；

圖11為本發(fā)明的電子設備的一實施例的結(jié)構(gòu)示意圖。

具體實施例

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。

本發(fā)明可用于眾多通用或?qū)Ｓ玫挠嬎阆到y(tǒng)環(huán)境或配置中。例如：個人計算機、服務器計算機、手持設備或便攜式設備、平板型設備、多處理器系統(tǒng)、基于微處理器的系統(tǒng)、置頂盒、可編程的消費電子設備、網(wǎng)絡PC、小型計算機、大型計算機、包括以上任何系統(tǒng)或設備的分布式計算環(huán)境等等。

本發(fā)明可以在由計算機執(zhí)行的計算機可執(zhí)行指令的一般上下文中描述，例如程序模塊。一般地，程序模塊包括執(zhí)行特定任務或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類型的例程、程序、對象、元件、數(shù)據(jù)結(jié)構(gòu)等等。也可以在分布式計算環(huán)境中實踐本發(fā)明，在這些分布式計算環(huán)境中，由通過通信網(wǎng)絡而被連接的遠程處理設備來執(zhí)行任務。在分布式計算環(huán)境中，程序模塊可以位于包括存儲設備在內(nèi)的本地和遠程計算機存儲介質(zhì)中。

在本發(fā)明中，“元件”、“裝置”、“系統(tǒng)”等等指應用于計算機的相關實體，如硬件、硬件和軟件的組合、軟件或執(zhí)行中的軟件等。詳細地說，例如，元件可以、但不限于是運行于處理器的過程、處理器、對象、可執(zhí)行元件、執(zhí)行線程、程序和/或計算機。還有，運行于服務器上的應用程序或腳本程序、服務器都可以是元件。一個或多個元件可在執(zhí)行的過程和/或線程中，并且元件可以在一臺計算機上本地化和/或分布在兩臺或多臺計算機之間，并可以由各種計算機可讀介質(zhì)運行。元件還可以根據(jù)具有一個或多個數(shù)據(jù)包的信號，例如，來自一個與本地系統(tǒng)、分布式系統(tǒng)中另一元件交互的，和/或在因特網(wǎng)的網(wǎng)絡通過信號與其它系統(tǒng)交互的數(shù)據(jù)的信號通過本地和/或遠程過程來進行通信。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術(shù)語“包括”、“包含”，不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

如圖1所示，本發(fā)明的一實施例的車輛識別方法，包括：

S11、按照車輛姿態(tài)將多個具有不同車輛姿態(tài)的車輛圖像分為多個類別；

S12、分別獲取所述多個類別的車輛圖像的特征；

S13、基于每個類別的車輛圖像的特征訓練相應于每個所述類別的車輛姿態(tài)分類器；

S14、利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像。

本實施例中，首先將車輛圖像按照姿態(tài)劃分為不同的類別。然后分別提取各個類別的車輛圖像的特征。再基于具有不同車輛姿態(tài)的車輛圖像訓練多個車輛姿態(tài)分類器以用于對待識別圖像中所包含的不同姿態(tài)的車輛圖像的識別。實現(xiàn)了對待識別圖像中的不同姿態(tài)的車輛圖像的自動準確的識別定位。可見，本發(fā)明實施例的車輛識別方法不需要對待識別圖像進行降采樣，保留了原始待識別圖像的所有細節(jié)信息。也正是由于這些細節(jié)信息的保留才導致了本發(fā)明實施例對待識別圖像中所包含的車輛圖像的快速準確地識別定位。

在本實施例中，車輛姿態(tài)至少包括以下分類(以圖像中包含的路面所在邊為基準邊)，分別是車頭垂直朝向基準邊、車尾垂直朝向基準邊、車身平行于基準邊、車身與基準邊成第一角度、車身于基準邊成第二角度、車身與基準邊成第三角度、車身于基準邊成第四角度(其中，第一至第四角度可以為：第一角度為大于0小于45度的角度，第二角度為大于45度小于90度的角度，第三角度為大于90度小于135度的角度，第四角度為大于135度小于180度的角度)。此外，由于攝像頭的高低以及車輛距離攝像頭的遠近的不同導致上述七類車輛姿態(tài)中的每一種還包括多種不同的俯仰角度導致的車輛姿態(tài)(例如，對于正向車頭的車輛姿態(tài)，當攝像頭的高度較低，且車輛距離攝像頭較遠時獲得的車輛的圖像可能只是車輛的前臉。當攝像頭的高度較高，且車輛距離攝像頭較近時獲得的車輛的圖像可能就是接近于車輛俯視圖的圖像)。上述實施例中的車輛樣本空間所包含的每一種車輛姿態(tài)的車輛圖片都不少于1000張。正是由于上述豐富的車輛樣本空間，所以訓練得到多個車輛姿態(tài)分類器可以更加快速準確地識別出待識別圖像中的各種姿態(tài)的車輛。

在本實施例中的多個具有不同車輛姿態(tài)的車輛圖像為取自預先建立的存儲有各種不同的車輛姿態(tài)的車輛樣本空間。

在本實施例中的待識別圖像可以是從監(jiān)控視頻中獲取的包含有車輛的待識別視頻圖像也可以是由抓拍相機所拍攝的包含有車輛的圖片。

如圖2所示，在一些實施例中，分別獲取所述多個類別的車輛圖像的特征包括：

S21、分別獲取所述多個類別的車輛圖像的梯度特征；

S22、分別獲取所述多個類別的車輛圖像的邊緣紋理特征。

本實施例中，分別獲取所述多個類別的車輛圖像的梯度特征包括：

1)對車輛圖像進行灰度化(將車輛圖像看做一個x，y，z(灰度)的三維圖像)。

2)采用Gamma校正法對輸入圖像進行顏色空間的標準化(歸一化)；目的是調(diào)節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾。

3)計算圖像每個像素的梯度(包括大小和方向)；主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾。

4)將圖像劃分成小cells(例如6*6像素/cell)。

5)統(tǒng)計每個cell的梯度直方圖(不同梯度的個數(shù))，即可形成每個cell的descriptor。

6)將每幾個cell組成一個block(例如3*3個cell/block)，一個block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor。

7)將圖像image內(nèi)的所有block的HOG特征descriptor串聯(lián)起來就可以得到該image(你要檢測的目標)的HOG特征descriptor了。這個就是最終的可供分類使用的特征向量了。

方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子。與其它的特征描述方法相比，HOG有很多優(yōu)點。例如，由于HOG是在圖像的局部方格單元上操作，所以它對圖像幾何的和光學的形變都能保持很好的不變性，這兩種形變只會出現(xiàn)在更大的空間領域上。

如圖3所示，在一些實施例中，分別獲取所述多個類別的車輛圖像的邊緣紋理特征包括：

S31、基于所述多個類別的車輛圖像對深度卷積神經(jīng)網(wǎng)絡進行訓練；

S32、基于所述深度卷積神經(jīng)網(wǎng)絡獲取所述多個類別的車輛圖像的邊緣紋理特征。

本實施例中，提取車輛圖像的邊緣紋理特征之前要對圖像進行歸一化處理。為了提高運算效率，我們采用了包括三個卷積層與兩個pooling層的深度卷積神經(jīng)網(wǎng)絡。本實施例中的多個類別的車輛圖像也選自上述實施例中預先建立的車輛樣本空間。通過訓練深度神經(jīng)網(wǎng)絡以用于提取車輛圖像的邊緣紋理特征的方法提升了特征提取的效率，并且可以更加準確地獲取邊緣紋理特征。便于利用獲得的車輛圖像的邊緣紋理特征訓練得到更加準確的車輛姿態(tài)分類器。

如圖4所示，在一些實施例中，利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像包括：

S41、將待識別圖像依次輸入至所述多個車輛姿態(tài)分類器，所述待識別圖像中包含待識別的具有不同車輛姿態(tài)的車輛圖像，所述車輛姿態(tài)分類器輸出對所述車輛圖像的判斷結(jié)果；

S42、基于所述多個車輛姿態(tài)分類器輸出的判斷結(jié)果確定待識別圖像中的車輛分布情況。

本實施例中，將待識別圖像輸入至用于識別不同車輛姿態(tài)的多個車輛姿態(tài)分類器以識別待識別圖像中所包含的各種姿態(tài)的車輛。然后至少基于所述多個車輛姿態(tài)分類器輸出的判斷結(jié)果確定待識別圖像中的車輛分布情況，實現(xiàn)了對監(jiān)控設備所拍攝的場所(例如，交叉路口、停車場等場所)的處于不同姿態(tài)的所有車輛圖像的自動檢測。

在一些實施例中，基于獲取的每個類別的車輛圖像的梯度特征和邊緣紋理特征訓練相應于每個所述類別的車輛姿態(tài)分類器為：

采用Adaboost決策樹算法以基于獲取的每個類別的車輛圖像的梯度特征和邊緣紋理特征訓練相應于每個所述類別的車輛姿態(tài)分類器。

本實施例中的Adaboost決策樹算法是一種迭代算法，其核心思想是針對同一個訓練集(這里的訓練集就是獲取的每個類別的車輛圖像的梯度特征和邊緣紋理特征的集合)訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器)。其算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，它根據(jù)每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。

如圖5所示，在一些實施例中，將待識別圖像依次輸入至所述多個車輛姿態(tài)分類器包括：

S51、對所述待識別圖像進行縮放處理以獲得具有不同尺度的多個待識別圖像；

S52、將多個具有不同尺度的所述待識別圖像依次輸入至所述多個車輛姿態(tài)分類器。

本實施例中對待識別圖像進行縮放處理來獲得具有不同尺度的包含了相同內(nèi)容的多個待識別圖像，并且將獲得的多個待識別圖像依次輸入至多個車輛姿態(tài)分類器。多個車輛姿態(tài)分類器對多個待識別圖像進行識別時采取多滑窗同步檢測的方式，從而更加高效準確的完成對待識別圖像中所包含的不同姿態(tài)的車輛的識別定位。

本實施例中多個不同尺寸的待識別圖像至少包括三個。因為在對待識別圖像進行車輛圖像檢測的過程中采用固定大小的滑動窗口，如果選擇的待識別圖像的尺寸過小，而滑動窗口偏大，則可能存在對待識別圖像中的所包含的車輛圖像的漏檢測。因此，本實施例中采用不同尺寸大小的待識別圖像進行車輛圖像的識別。保證了對待識別圖像中所包含的所有的車輛圖像的識別定位。本實施例通過對待識別圖像進行縮放處理來獲得具有不同尺度的包含了相同內(nèi)容的多個待識別圖像的方式實現(xiàn)了對待識別圖像的尺度化。本實施例的尺度化方式分為兩類，一類為上采樣，另一類為下采樣。上采樣和下采樣都是對數(shù)字信號進行重采樣，重采樣的采樣率與原來獲得該數(shù)字信號(比如從模擬信號采樣而來)的采樣率比較，大于原信號的稱為上采樣，小于的則稱為下采樣。

當待識別圖像分辨率較低時為了將待識別圖像中的具有不同姿態(tài)的車輛圖像識別出來，采用上采樣的方式來對待識別圖像進行尺度化。表現(xiàn)為將待識別圖像進行縮小處理，因為在滑動窗口大小固定的情況下，將待識別圖像縮小以盡可能多的將待識別圖像的細節(jié)集中于滑動窗口中，從而實現(xiàn)對待識別圖像的上采樣。

當待識別圖像分辨率較高時為了將待識別圖像中的具有不同姿態(tài)的車輛圖像識別出來，采用下采樣的方式來對待識別圖像進行尺度化。表現(xiàn)為將待識別圖像進行放大處理，因為在滑動窗口大小固定的情況下，將待識別圖像放大以盡可能的將待識別圖像不同區(qū)域的細節(jié)集中于滑動窗口中，實現(xiàn)對待識別圖像的下采樣，從而保證檢測出待識別圖像的不同區(qū)域中的車輛圖像。

然而，由于采用了同時對同一待識別圖像的不同尺寸的樣本進行滑窗識別，所以必然會存在在多個不同尺寸的待識別圖像中重復識別定位同一個車輛圖像的情況，所以在對個車輛姿態(tài)分類器完成對待識別圖像的識別定位后還要執(zhí)行：對所述基于所述多個車輛姿態(tài)分類器輸出的判斷結(jié)果進行加權(quán)融合以確定所述待識別圖像中的車輛分布情況。

以三個尺寸的待識別圖像為例來進一步進行說明：第一尺度圖像中定位識別到一個車輛圖像，第二尺度圖像中定位識別到三個車輛圖像，第三尺度圖像中定位識別到五個車輛圖像。而實際情況是整個待識別圖像中一共只用五個車輛圖像。這時如果我們直接將在三個不同尺度的圖像中所識別的所有的車輛圖像求和1+3+5＝9，從而確定待識別圖像中包含有9個車輛圖像，這顯然是不正確的。因此，本實施例對三種不同的識別結(jié)果進行高斯加權(quán)融合，以實現(xiàn)對車輛圖像的正確的定位識別。最后在采取非極大值抑制的方式對上述識別結(jié)果進行最終的車輛圖像的定位識別。

需要說明的是，對于前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作合并，但是本領域技術(shù)人員應該知悉，本發(fā)明并不受所描述的動作順序的限制，因為依據(jù)本發(fā)明，某些步驟可以采用其他順序或者同時進行。其次，本領域技術(shù)人員也應該知悉，說明書中所描述的實施例均屬于優(yōu)選實施例，所涉及的動作和模塊并不一定是本發(fā)明所必須的。

在上述實施例中，對各個實施例的描述都各有側(cè)重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關描述。

如圖6所示，本發(fā)明實施例還提供一種車輛識別系統(tǒng)600，包括：

車輛圖像分類模塊610，用于按照車輛姿態(tài)將多個具有不同車輛姿態(tài)的車輛圖像分為多個類別；

圖像特征獲取模塊620，用于分別獲取所述多個類別的車輛圖像的特征；

分類器訓練模塊630，用于基于每個類別的車輛圖像的特征訓練相應于每個所述類別的車輛姿態(tài)分類器；

車輛圖像識別模塊640，用于利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像。

本發(fā)明實施例的車輛識別系統(tǒng)首先將車輛圖像按照姿態(tài)劃分為不同的類別。然后分別提取各個類別的車輛圖像的特征。再基于具有不同車輛姿態(tài)的車輛圖像訓練多個車輛姿態(tài)分類器以用于對待識別圖像中所包含的不同姿態(tài)的車輛圖像的識別。實現(xiàn)了對待識別圖像中的不同姿態(tài)的車輛圖像的自動準確的識別定位?？梢?，本發(fā)明實施例的車輛識別方法不需要對待識別圖像進行降采樣，保留了原始待識別圖像的所有細節(jié)信息。也正是由于這些細節(jié)信息的保留才導致了本發(fā)明實施例對待識別圖像中所包含的車輛圖像的快速準確地識別定位。

如圖7所示在一些實施例中，圖像特征獲取模塊620包括：

梯度特征獲取單元621，用于分別獲取所述多個類別的車輛圖像的梯度特征；

邊緣紋理特征獲取單元622，用于分別獲取所述多個類別的車輛圖像的邊緣紋理特征。

在一些實施例中，訓練單元用于采用Adaboost決策樹算法以基于獲取的每個類別的車輛圖像的梯度特征和邊緣紋理特征訓練相應于每個所述類別的車輛姿態(tài)分類器。

如圖8所示在一些實施例中，邊緣紋理特征獲取單元622包括：

神經(jīng)網(wǎng)絡訓練元件6221，用于基于所述多個類別的車輛圖像對深度卷積神經(jīng)網(wǎng)絡進行訓練；

特征獲取元件6222，用于基于所述深度卷積神經(jīng)網(wǎng)絡獲取所述多個類別的車輛圖像的邊緣紋理特征。

如圖9所示在一些實施例中，所述車輛圖像識別模640塊包括：

車輛姿態(tài)判別單元641，用于將待識別圖像依次輸入至所述多個車輛姿態(tài)分類器，所述待識別圖像中包含待識別的具有不同車輛姿態(tài)的車輛圖像，所述車輛姿態(tài)分類器輸出對所述車輛圖像的判斷結(jié)果；

識別結(jié)果確定單元642，用于基于所述多個車輛姿態(tài)分類器輸出的判斷結(jié)果確定待識別圖像中的車輛圖像。

如圖10所示在一些實施例中，車輛姿態(tài)判別單元641包括：

多尺度圖像獲取元件6411，用于對所述待識別圖像進行縮放處理以獲得具有不同尺度的多個待識別圖像；

多尺度圖像輸入元件6412，用于將多個具有不同尺度的所述待識別圖像依次輸入至所述多個車輛姿態(tài)分類器。

在一些實施例中，識別結(jié)果確定單元包括：

加權(quán)融合元件，用于對所述基于所述多個車輛姿態(tài)分類器輸出的判斷結(jié)果進行高斯加權(quán)融合；

識別結(jié)果確定元件，用于根據(jù)高斯加權(quán)融合結(jié)果確定所述待識別圖像中的車輛分布情況。

上述本發(fā)明實施例的車輛識別系統(tǒng)可用于執(zhí)行本發(fā)明實施例的車輛識別方法，并相應的達到上述本發(fā)明實施例的車輛識別方法所達到的技術(shù)效果，這里不再贅述。

本發(fā)明實施例中可以通過硬件處理器(hardware processor)來實現(xiàn)相關功能模塊。

另一方面，本發(fā)明實施例提供一種計算機可讀的非瞬時性存儲介質(zhì)，所述存儲介質(zhì)中存儲有一個或多個包括執(zhí)行指令的程序，所述執(zhí)行指令能夠被電子設備(包括但不限于計算機，服務器，或者網(wǎng)絡設備等)讀取并執(zhí)行，以用于執(zhí)行上述方法實施例中的相關步驟，例如：

按照車輛姿態(tài)將多個具有不同車輛姿態(tài)的車輛圖像分為多個類別；

分別獲取所述多個類別的車輛圖像的特征；

基于每個類別的車輛圖像的特征訓練相應于每個所述類別的車輛姿態(tài)分類器；

利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像。

另一方面，本發(fā)明實施例還公開一種電子設備，該電子設備包括：

至少一個存儲器，用于存放計算機操作指令；

至少一個處理器，用于執(zhí)行所述存儲器存儲的計算機操作指令，以執(zhí)行：

按照車輛姿態(tài)將多個具有不同車輛姿態(tài)的車輛圖像分為多個類別；

分別獲取所述多個類別的車輛圖像的特征；

基于每個類別的車輛圖像的特征訓練相應于每個所述類別的車輛姿態(tài)分類器；

利用所述車輛姿態(tài)分類器識別待識別的具有不同車輛姿態(tài)的車輛圖像。

圖11是本申請另一實施例提供的執(zhí)行車輛識別方法的電子設備的硬件結(jié)構(gòu)示意圖，如圖11所示，該設備包括：

一個或多個處理器1110以及存儲器1120，圖11中以一個處理器1110為例。

執(zhí)行車輛識別方法的設備還可以包括：輸入裝置1130和輸出裝置1140。

處理器1110、存儲器1120、輸入裝置1130和輸出裝置1140可以通過總線或者其他方式連接，圖11中以通過總線連接為例。

存儲器1120作為一種非易失性計算機可讀存儲介質(zhì)，可用于存儲非易失性軟件程序、非易失性計算機可執(zhí)行程序以及模塊，如本申請實施例中的車輛識別方法對應的程序指令/模塊(例如，附圖6所示的車輛圖像分類模塊610、圖像特征獲取模塊620、分類器訓練模塊630和車輛圖像識別模塊640)。處理器1110通過運行存儲在存儲器1120中的非易失性軟件程序、指令以及模塊，從而執(zhí)行服務器的各種功能應用以及數(shù)據(jù)處理，即實現(xiàn)上述方法實施例車輛識別方法。

存儲器1120可以包括存儲程序區(qū)和存儲數(shù)據(jù)區(qū)，其中，存儲程序區(qū)可存儲操作系統(tǒng)、至少一個功能所需要的應用程序；存儲數(shù)據(jù)區(qū)可存儲根據(jù)車輛識別裝置的使用所創(chuàng)建的數(shù)據(jù)等。此外，存儲器1120可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如至少一個磁盤存儲器件、閃存器件、或其他非易失性固態(tài)存儲器件。在一些實施例中，存儲器1120可選包括相對于處理器1110遠程設置的存儲器，這些遠程存儲器可以通過網(wǎng)絡連接至車輛識別裝置。上述網(wǎng)絡的實例包括但不限于互聯(lián)網(wǎng)、企業(yè)內(nèi)部網(wǎng)、局域網(wǎng)、移動通信網(wǎng)及其組合。

輸入裝置1130可接收輸入的數(shù)字或字符信息，以及產(chǎn)生與列表項操作的處理裝置的用戶設置以及功能控制有關的鍵信號輸入。輸出裝置1140可包括顯示屏等顯示設備。

所述一個或者多個模塊存儲在所述存儲器1120中，當被所述一個或者多個處理器1110執(zhí)行時，執(zhí)行上述任意方法實施例中的車輛識別方法。

上述產(chǎn)品可執(zhí)行本申請實施例所提供的方法，具備執(zhí)行方法相應的功能模塊和有益效果。未在本實施例中詳盡描述的技術(shù)細節(jié)，可參見本申請實施例所提供的方法。

本申請實施例的電子設備以多種形式存在，包括但不限于:

(1)移動通信設備:這類設備的特點是具備移動通信功能，并且以提供話音、數(shù)據(jù)通信為主要目標。這類終端包括:智能手機(例如iPhone)、多媒體手機、功能性手機，以及低端手機等。

(2)超移動個人計算機設備:這類設備屬于個人計算機的范疇，有計算和處理功能，一般也具備移動上網(wǎng)特性。這類終端包括:PDA、MID和UMPC設備等，例如iPad。

(3)便攜式娛樂設備:這類設備可以顯示和播放多媒體內(nèi)容。該類設備包括:音頻、視頻播放器(例如iPod)，掌上游戲機，電子書，以及智能玩具和便攜式車載導航設備。

(4)服務器:提供計算服務的設備，服務器的構(gòu)成包括處理器、硬盤、內(nèi)存、系統(tǒng)總線等，服務器和通用的計算機架構(gòu)類似，但是由于需要提供高可靠的服務，因此在處理能力、穩(wěn)定性、可靠性、安全性、可擴展性、可管理性等方面要求較高。

(5)其他具有數(shù)據(jù)交互功能的電子裝置。

以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。

通過以上的實施方式的描述，本領域的技術(shù)人員可以清楚地了解到各實施方式可借助軟件加通用硬件平臺的方式來實現(xiàn)，當然也可以通過硬件?；谶@樣的理解，上述技術(shù)方案本質(zhì)上或者說對相關技術(shù)做出貢獻的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品可以存儲在計算機可讀存儲介質(zhì)中，如ROM/RAM、磁碟、光盤等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行各個實施例或者實施例的某些部分所述的方法。

最后應說明的是：以上實施例僅用以說明本申請的技術(shù)方案，而非對其限制；盡管參照前述實施例對本申請進行了詳細的說明，本領域的普通技術(shù)人員應當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應技術(shù)方案的本質(zhì)脫離本申請各實施例技術(shù)方案的精神和范圍。