1.一種車輛識(shí)別方法，包括：
按照車輛姿態(tài)將多個(gè)具有不同車輛姿態(tài)的車輛圖像分為多個(gè)類別；
分別獲取所述多個(gè)類別的車輛圖像的特征；
基于每個(gè)所述類別的車輛圖像的特征訓(xùn)練相應(yīng)于每個(gè)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(shí)別待識(shí)別的具有不同車輛姿態(tài)的車輛圖像。
2.根據(jù)權(quán)利要求1所述的方法，其中，所述分別獲取所述多個(gè)類別的車輛圖像的特征包括：
分別獲取所述多個(gè)類別的車輛圖像的梯度特征；
分別獲取所述多個(gè)類別的車輛圖像的邊緣紋理特征。
3.根據(jù)權(quán)利要求2所述的方法，其中，所述分別獲取所述多個(gè)類別的車輛圖像的邊緣紋理特征包括：
基于所述多個(gè)類別的車輛圖像對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
基于所述深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述多個(gè)類別的車輛圖像的邊緣紋理特征。
4.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的方法，其中，所述利用所述車輛姿態(tài)分類器識(shí)別待識(shí)別的具有不同車輛姿態(tài)的車輛圖像包括：
將待識(shí)別圖像依次輸入至所述多個(gè)車輛姿態(tài)分類器，所述待識(shí)別圖像中包含待識(shí)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(duì)所述車輛圖像的判斷結(jié)果；
至少基于所述多個(gè)車輛姿態(tài)分類器輸出的判斷結(jié)果確定待識(shí)別圖像中的車輛圖像。
5.根據(jù)權(quán)利要求4所述的方法，其中，所述將待識(shí)別圖像依次輸入至所述多個(gè)車輛姿態(tài)分類器包括：
對(duì)所述待識(shí)別圖像進(jìn)行縮放處理以獲得具有不同尺度的多個(gè)待識(shí)別圖像；
將多個(gè)具有不同尺度的所述待識(shí)別圖像依次輸入至所述多個(gè)車輛姿態(tài)分類器。
6.一種車輛識(shí)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(gè)具有不同車輛姿態(tài)的車輛圖像分為多個(gè)類別；
圖像特征獲取模塊，用于分別獲取所述多個(gè)類別的車輛圖像的特征；
分類器訓(xùn)練模塊，用于基于每個(gè)所述類別的車輛圖像的特征訓(xùn)練相應(yīng)于每個(gè)所述類別的車輛姿態(tài)分類器；
車輛圖像識(shí)別模塊，用于利用所述車輛姿態(tài)分類器識(shí)別待識(shí)別的具有不同車輛姿態(tài)的車輛圖像。
7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其中，所述圖像特征獲取模塊包括：
梯度特征獲取單元，用于分別獲取所述多個(gè)類別的車輛圖像的梯度特征；
邊緣紋理特征獲取單元，用于分別獲取所述多個(gè)類別的車輛圖像的邊緣紋理特征。
8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其中，所述邊緣紋理特征獲取單元包括：
神經(jīng)網(wǎng)絡(luò)訓(xùn)練元件，用于基于所述多個(gè)類別的車輛圖像對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
特征獲取元件，用于基于所述深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述多個(gè)類別的車輛圖像的邊緣紋理特征。
9.根據(jù)權(quán)利要求6-8任一項(xiàng)所述的系統(tǒng)，其中，所述車輛圖像識(shí)別模塊包括：
車輛姿態(tài)判別單元，用于將待識(shí)別圖像依次輸入至所述多個(gè)車輛姿態(tài)分類器，所述待識(shí)別圖像中包含待識(shí)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(duì)所述車輛圖像的判斷結(jié)果；
識(shí)別結(jié)果確定單元，用于基于所述多個(gè)車輛姿態(tài)分類器輸出的判斷結(jié)果確定待識(shí)別圖像中的車輛圖像。
10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其中，所述車輛姿態(tài)判別單元包括：
多尺度圖像獲取元件，用于對(duì)所述待識(shí)別圖像進(jìn)行縮放處理以獲得具有不同尺度的多個(gè)待識(shí)別圖像；
多尺度圖像輸入元件，用于將多個(gè)具有不同尺度的所述待識(shí)別圖像依次輸入至所述多個(gè)車輛姿態(tài)分類器。