车辆属性检测方法、装置及存储介质与流程

本申请涉及车辆属性检测方法、装置及存储介质，属于计算机技术领域。

背景技术：

随着车辆的增多，智能安防监控系统应用的越来越广泛，比如：应用于卡口的车辆监控和检索、公安刑侦调查、交警指挥调度等场景。其中，车辆的属性检测是智能安防监控系统的关键环节，该环节能够对采集到的车辆图像进行识别，得到车辆类型、车牌号码、车身颜色等信息。

以检测车辆属性中的车身颜色为例，申请号为201611199772.8的发明专利《一种基于多任务卷积神经网络的车辆属性识别方法》公开了一种车身颜色的检测方法，该方法包括：获取待识别车辆图像；利用多任务卷积神经网络训练车辆属性识别的多任务网络模型；根据车辆类型和车窗位置的概率确定待识别车辆图像的车辆类型和车窗位置；根据多任务卷积神经网络得到的车辆类型结果以及该车窗位置信息设计不同掩膜，该掩膜为与车辆图像尺寸相同的二进制矩阵；将掩膜和车辆图像点乘得到加入掩膜的新车辆图像；利用多任务卷积神经网络提取新车辆图像在多任务网络模型中第二个池化层的特征；将提取的特征输入至分类器中训练分类模型；根据分类器结果确定车辆颜色信息。

然而，在车辆的车身颜色包括多种时，车窗周边颜色不足以代表整体车身的颜色，因此，确定出的车辆颜色信息可能不准确。

技术实现要素：

本申请提供了一种车辆属性检测方法、装置及存储介质，可以解决以车窗周边颜色确定车辆颜色时确定结果可能不准确的问题。本申请提供如下技术方案：

第一方面，提供了一种车辆属性检测方法，所述方法包括：

获取待识别车辆的车辆图像；

将所述车辆图像输入预先训练的属性检测模型，得到所述待识别车辆的至少两种属性信息和每种属性信息在所述车辆图像中的位置信息；所述属性检测模型包括第一分支模型，所述第一分支模型用于检测所述待识别车辆上不同局部属性位置的局部车身颜色；所述至少两种属性信息包括所述不同局部属性位置的局部车身颜色；

根据所述不同局部属性位置的局部车身颜色确定所述待识别车辆的车辆颜色。

可选地，所述根据所述不同局部属性位置的局部车身颜色确定所述待识别车辆的车辆颜色，包括：

统计每种局部车身颜色的数量，所述局部车身颜色的数量指具有相同局部车身颜色的不同局部属性位置的数量；

若存在一种局部车身颜色的数量大于其它局部车身颜色的数量，则将该局部车身颜色确定为所述待识别车辆的车辆颜色。

可选地，所述根据所述不同局部属性位置的局部车身颜色确定所述待识别车辆的车辆颜色，包括：

获取所述待识别车辆的车辆类型；

确定所述车辆类型对应的局部属性优先级；所述局部属性优先级用于指示所述局部属性位置的优先程度；

将局部属性优先级最高的局部属性位置对应的局部车身颜色确定为所述待识别车辆的车辆颜色。

可选地，所述属性检测模型还包括第二分支模型，所述第二分支模型用于检测所述待识别车辆的车辆类型；所述至少两种属性信息包括所述待识别车辆的车辆类型；

所述获取所述待识别车辆的车辆类型，包括：

获取所述第二分支模型输出的所述待识别车辆的车辆类型。

可选地，所述根据所述不同局部属性位置的局部车身颜色确定所述待识别车辆的车辆颜色，包括：

将所述不同局部属性位置的局部车身颜色按照预设的颜色优先级由高到低的顺序进行排序；所述颜色优先级用于指示局部车身颜色的优先程度；

将颜色优先级最高的局部车身颜色确定为所述待识别车辆的车辆颜色。

可选地，所述属性检测模型还包括第三分支模型，所述第三分支模型用于检测所述待识别车辆的驾驶人员的驾驶状态和/或其它属性信息，所述至少两种属性信息包括所述驾驶状态和/或其它属性信息；

其中，其它属性信息包括：所述待识别车辆的车牌、车标、车灯、和/或年检标识。

可选地，所述将所述车辆图像输入预先训练的属性检测模型，得到所述待识别车辆的至少两种属性信息之前，还包括：

获取训练集，所述训练集包括至少一组数据，每组数据包括车辆的样本图像、所述车辆的实际属性信息和所述实际属性信息在所述样本图像中的实际位置信息；

将所述训练集输入预先建立的神经网络模型，得到训练结果；所述训练结果包括至少两种预测属性信息和每种预测属性信息在对应样本图像中的预测位置信息；所述神经网络模型包括未训练的第一分支模型，所述至少两种预测属性信息包括不同局部属性位置的预测局部车身颜色；

根据所述预测属性信息与所述实际属性信息之间的误差、所述预测位置信息与所述实际位置信息之间的误差，基于反向传播算法对所述神经网络模型进行训练，得到所述属性检测模型。

可选地，所述属性检测模型按照数据传输方向依次为：数据输入层、通用网络层、n层卷积神经网络层和至少三个分支模型，所述至少三个分支模型包括所述第一分支模型；所述n为正整数；

每层卷积神经网络层包括卷积层、激活函数层和池化层；

每个分支模型包括全连接层、分类层和平滑层。

第二方面，提供了一种车辆属性检测装置，所述装置包括：

图像获取模块，用于获取待识别车辆的车辆图像；

属性预测模块，用于将所述车辆图像输入预先训练的属性检测模型，得到所述待识别车辆的至少两种属性信息和每种属性信息在所述车辆图像中的位置信息；所述属性检测模型包括第一分支模型，所述第一分支模型用于检测所述待识别车辆上不同局部属性位置的局部车身颜色；所述至少两种属性信息包括所述不同局部属性位置的局部车身颜色；

颜色确定模块，用于根据所述不同局部属性位置的局部车身颜色确定所述待识别车辆的车辆颜色。

第三方面，提供一种车辆属性检测装置，所述装置包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现第一方面所述的车辆属性检测方法。

第四方面，提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序由所述处理器加载并执行以实现第一方面所述的车辆属性检测方法。

本申请的有益效果在于：获取待识别车辆的车辆图像；将车辆图像输入预先训练的属性检测模型，得到待识别车辆的至少两种属性信息和每种属性信息在车辆图像中的位置信息；该属性检测模型包括第一分支模型，第一分支模型用于检测待识别车辆上不同局部属性位置的局部车身颜色；根据不同局部属性位置的局部车身颜色确定待识别车辆的车辆颜色；可以解决以车窗周边颜色确定车辆颜色时确定结果可能不准确的问题；由于通过不同局部属性位置的局部车身颜色的来确定车辆颜色，因此，可以综合考虑多个局部属性位置来确定车辆颜色，从而可以提高确定车辆颜色的准确性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

图1是本申请一个实施例提供的车辆属性检测方法的流程图；

图2是本申请一个实施例提供的属性检测模型的结构示意图；

图3是本申请另一个实施例提供的车辆属性检测方法的流程图；

图4是本申请一个实施例提供的车辆属性检测装置的框图；

图5是本申请一个实施例提供的车辆属性检测装置的框图。

具体实施方式

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

本申请中，以各个实施例中每个步骤的执行主体为车辆属性检测装置为例进行说明，该车辆属性检测装置可以是终端；或者，也可以是服务器；其中，终端可以是计算机、平板电脑、手机等具有计算能力的电子设备，本实施例不对车辆属性检测装置的设备类型作限定。

图1是本申请一个实施例提供的车辆属性检测方法的流程图。该方法至少包括以下几个步骤：

步骤101，获取待识别车辆的车辆图像。

可选地，待识别车辆的车辆图像可以是一张；或者，也可以是多张，本实施例不对该车辆图像的数量作限定。

步骤102，将车辆图像输入预先训练的属性检测模型，得到待识别车辆的至少两种属性信息和每种属性信息在车辆图像中的位置信息，至少两种属性信息包括不同局部属性位置的局部车身颜色。

位置信息用于定位对应的属性信息在车辆图像中的位置。属性信息用于指示车辆所具有的属性，该属性包括但不限于：颜色属性、类型属性和驾驶员属性中的至少一种。

其中，属性检测模型包括第一分支模型，第一分支模型用于检测待识别车辆上不同局部属性位置的局部车身颜色；此时，至少两种属性信息包括不同局部属性位置的局部车身颜色；属性信息在车辆图像中的位置信息包括局部车身颜色所属的局部属性位置在车辆图像中的位置信息。可选地，位置信息通过像素坐标的方式表示。

局部属性位置是指待识别车辆上的局部属性所在的位置。比如：局部属性位置包括但不限于以下几种中的至少两种：车前盖、车后盖、车门、车侧、车顶。

可选地，属性检测模型从预设的颜色分类中确定不同局部属性位置的局部车身颜色。其中，颜色分类包括但不限于：黑色、白色、灰色、红色、黄色、蓝色、棕色、橙色、绿色、紫色、青色及其他颜色。

可选地，属性检测模型还包括第二分支模型，第二分支模型用于检测待识别车辆的车辆类型；此时，至少两种属性信息包括待识别车辆的车辆类型。属性信息在车辆图像中的位置信息包括：车辆在车辆图像中的位置信息。

其中，车辆类型包括但不限于以下几种中的至少一种：轿车、面包车、公交车和卡车。当然，车辆类型还可以进一步细分，比如：公交车分为电动公交车、机动公交车等；或者，车辆类型还可以分为其它类型，本实施例不对车辆类型的划分方式作限定。

可选地，属性检测模型还包括第三分支模型，第三分支模型用于检测待识别车辆的驾驶人员的驾驶状态和/或其它属性信息。此时，至少两种属性信息包括该驾驶状态，其中，驾驶状态包括但不限于：驾驶员是否系安全带、和/或是否在打电话；属性信息在车辆图像中的位置信息包括：驾驶人员在车辆图像中的位置信息。和/或，至少两种属性信息包括其它属性信息，其中，其它属性信息包括但不限于：待识别车辆的车牌、车标、车灯、和/或年检标识；属性信息在车辆图像中的位置信息包括：其它属性信息在车辆图像中的位置信息，比如：车牌在车辆图像中的位置信息、车标在车辆图像中的位置信息、车灯在车辆图像中的位置信息、和/或年检标识在车辆图像中的位置信息等。

示意性地，参考图2，属性检测模型按照数据传输方向依次为：数据输入层201、通用网络层202、n层卷积神经网络层203和至少三个分支模型，该至少三个分支模型包括第一分支模型204；当然，还可以包括第二分支模型205和/或第三分支模型206。其中，n为正整数，比如：n为5，本实施例不对n的取值作限定。

数据输入层201用于向属性检测模型输入待识别车辆的车辆图像。其中，数据输入层201可以对车辆图像进行预处理，比如：进行去均值、压缩图像(比如将车辆图像缩放至300×300像素大小)、归一化等处理。

通用网络层202是预先训练过的网络模型，该网络模型可以为非常深的卷积网络(gg-very-deep-16cnn，vgg-16)模型，vgg-16模型是以vgg开头的卷积网络模型，可以应用在人脸识别、图像分类等方面，该模型包括基于大量的训练数据训练出的模型参数，该训练数据通常是上万的。属性检测模型后续的模型层可以对vgg-16模型输出的结果进行微调从而提高该属性检测模型输出结果的准确性。当然，通用网络层202也可以是其它预先训练好的模型，比如：卷积神经网络框架网络(convolutionalarchitectureforfastfeatureembeddingnetwork，caffenet)模型、残差网络(residualnetwork，resnet)模型等，本实施例不对通用网络的类型作限定。

每层卷积神经网络层203包括卷积层、激活函数层和池化层。其中，卷积层的数量为至少一层，卷积层用于对接收到的图像进行特征提取，每个卷积层包括多个神经元，每个神经元对应一种特征，多个神经元共同合作提取图像中的所有特征。激活函数层用于对卷积层输出的结果进行非线性映射。激活函数层中的激活函数可以是修正线性单元(therectifiedlinearunit，relu)，当然，也可以是其它函数，本实施例不对激活函数层中的激活函数的类型作限定。池化层位于连续的卷积层中间，用于压缩数据和参数的量，减小过拟合。

每个分支模型(包括第一分支模型204、第二分支模型205和第三分支模型206)包括全连接层、分类层(或称softmax层)和平滑层(或称smooth_l1层)。其中，全连接层中的每一个结点都与上一层的所有结点相连，全连接层用于将之前提取到的特征综合，将输出值发送至分类层。分类层用于对全连接层的数据结果进行分类。平滑层用于避免梯度爆炸、减少逸出值。

可选地，第三分支模型共享第一分支模型中的网络参数；当然，第三分支模型也可以共享第二分支模型中的网络参数，这样，可以减少需要训练的参数的数量，减少属性检测模型的训练时间，提高属性检测模型的训练效率。

步骤103，根据不同局部属性位置的局部车身颜色确定待识别车辆的车辆颜色。

不同局部属性位置的局部车身颜色为至少两个局部属性位置的局部车身颜色，这样，在确定车辆颜色时不会局限于根据车窗附近区域的颜色来确定整个车身的颜色，从而提高确定车辆颜色的准确性。

其中，局部属性位置包括但不限于以下几种中的至少两种：车前盖、车后盖、车门、车侧、车顶。当然，局部属性位置也可以进一步进行划分，或者，按照其它方式划分，本实施例不对局部属性位置的划分方式作限定。

可选地，根据不同局部属性位置的局部车身颜色确定待识别车辆的车辆颜色的方式包括但不限于以下几种中的至少一种：

第一种：统计每种局部车身颜色的数量，该局部车身颜色的数量指具有相同局部车身颜色的不同局部属性位置的数量；若存在一种局部车身颜色的数量大于其它局部车身颜色的数量，则将该局部车身颜色确定为待识别车辆的车辆颜色。

比如：车前盖的局部车身颜色为白色、车后盖的局部车身颜色为白色、车门的局部车身颜色为白色、车侧的局部车身颜色为白色、车顶的局部车身颜色为黑色，则由于白色的数量大于黑色的数量，因此，待识别车辆的车辆颜色为白色。

第二种：获取待识别车辆的车辆类型；确定车辆类型对应的局部属性优先级；将局部属性优先级最高的局部属性位置对应的局部车身颜色确定为待识别车辆的车辆颜色。

可选地，每种车辆类型对应一种局部属性优先级，不同的车辆类型可以对应同一局部属性优先级；或者，不同的车辆类型也可以对应不同局部属性优先级。

比如：车辆类型为轿车和面包车时对应的局部属性优先级为：车前盖、车后盖、车侧、车顶；车辆类型为公交车和卡车时对应的局部属性优先级为：车侧、车前盖、车后盖、车顶。此时，若待识别车辆的车辆类型为轿车，则对应的局部属性优先级为车前盖、车后盖、车侧、车顶，若车前盖、车后盖和车侧的局部车身颜色均为白色，车顶的车身颜色为黑色，则将局部属性优先级最高的局部属性位置(即车前盖)的局部车身颜色白色确定为待识别车辆的车辆颜色。

在一个示例中，若属性检测模型包括第二分支，则获取待识别车辆的车辆类型，包括：获取第二分支模型输出的待识别车辆的车辆类型。

在另一个示例中，若属性检测模型不包括第二分支，则获取待识别车辆的车辆类型，包括：接收用户上传的车辆类型。当然，车辆属性检测装置也可以通过其它方式获取车辆类型，本实施例不对车辆类型的获取方式作限定。

可选地，车辆属性检测装置可以在第一种方式的识别结果为不存在一个局部车身颜色的数量大于其它局部车身颜色的数量时按照第二种方式确定车辆颜色。换句话说，在各种局部车身颜色的数量相同；或者，存在至少两个局部车身颜色的数量相同，且大于其它局部车身颜色的数量时，按照第二种方式确定车辆颜色。

第三种：将不同局部属性位置的局部车身颜色按照预设的颜色优先级由高到低的顺序进行排序；将颜色优先级最高的局部车身颜色确定为待识别车辆的车辆颜色。其中，颜色优先级用于指示局部车身颜色的优先程度。

由于根据人类视觉特性，通常视觉直观将艳丽的颜色作为车辆颜色，因此，使用颜色优先级确定出的车辆颜色更符合视觉感受。颜色优先级是根据视觉感受颜色由鲜艳到平淡的顺序确定的，比如：颜色优先级为：红色、蓝色、黄色、绿色、橙色、紫色、青色、粉色、黑色、灰色、白色、其他颜色。当然，颜色优先级也可以是其它顺序，本实施例对此不作限定。

可选地，车辆属性检测装置可以在第一种方式的识别结果为不存在一个局部车身颜色的数量大于其它局部车身颜色的数量时按照第三种方式确定车辆颜色。换句话说，在各种局部车身颜色的数量相同；或者，存在至少两个局部车身颜色的数量相同，且大于其它局部车身颜色的数量时，按照第三种方式确定车辆颜色。

需要补充说明的是，由于车辆颜色是根据局部车身颜色确定出来的，而局部车身颜色是从预设的颜色分类中确定出来的，因此，车辆颜色也属于预设的颜色分类中的一种。

综上所述，本实施例提供的车辆属性检测方法，获取待识别车辆的车辆图像；将车辆图像输入预先训练的属性检测模型，得到待识别车辆的至少两种属性信息和每种属性信息在车辆图像中的位置信息；该属性检测模型包括第一分支模型，第一分支模型用于检测待识别车辆上不同局部属性位置的局部车身颜色；根据不同局部属性位置的局部车身颜色确定待识别车辆的车辆颜色；可以解决以车窗周边颜色确定车辆颜色时确定结果可能不准确的问题；由于通过不同局部属性位置的局部车身颜色的来确定车辆颜色，因此，可以综合考虑多个局部属性位置来确定车辆颜色，从而可以提高确定车辆颜色的准确性。

另外，通过设置不同的确定车辆颜色的机制来确定车辆颜色，可以在不同场景下选择不同的机制确定车辆颜色，提高确定车辆颜色的准确性。

另外，属性检测模型包括至少三个分支模型，且每个分支内部最后可以一次性输出对应的属性信息与位置信息两种预测结果，无需构建两个独立网络，提高预测结果的输出效率。

另外，通过在属性检测模型包括第三分支模型时，该第三分支模型共享第一分支模型或者第二分支模型的网络参数，可以减少模型中网络参数的数量，节省属性检测模型的计算时间。

可选地，基于上述实施例，图3是本申请一个实施例提供的车辆属性检测方法的流程图。在步骤102之前，该方法至少包括以下几个步骤：

步骤301，获取训练集，该训练集包括至少一组数据，每组数据包括车辆的样本图像、车辆的实际属性信息和实际属性信息在样本图像中的实际位置信息。

可选地，实际属性信息包括但不限于：车辆不同局部属性位置的实际局部车身颜色、实际车辆颜色。当然，实际属性信息还可以包括车辆的实际车辆类型、驾驶人员的实际驾驶状态和/或其它实际属性信息等。实际属性信息用于指示对应车辆的真正属性。实际位置信息的表示方式与待识别车辆的位置信息的表示方式相同，比如：均为以像素坐标的方式表示。

步骤302，将训练集输入预先建立的神经网络模型，得到训练结果。

训练结果包括至少两种预测属性信息和每种预测属性信息在对应样本图像中的预测位置信息；神经网络模型包括未训练的第一分支模型，至少两种预测属性信息包括不同局部属性位置的预测局部车身颜色。

属性检测模型是基于预先建立的神经网络模型训练得到的，因此，属性检测模型的网络结构与预先建立的神经网络模型的网络结构相同。示意性地，预先建立的神经网络模型的网络结构也参考图2，该神经网络模型为卷积神经网络模型。

步骤303，根据预测属性信息与实际属性信息之间的误差、以及预测位置信息与实际位置信息之间的误差，基于反向传播算法对神经网络模型进行训练，得到属性检测模型。

反向传播算法(backpropagationalgorithm，bp算法)用于确定最优的全局参数矩阵。反向传播算法的算法原理为：计算神经网络模型的总误差；根据神经网络模型的总误差对神经网络模型中的网络参数从后向前依次进行更新，直到训练次数达到预设次数或者总误差小于或等于预设误差阈值时停止。

可选地，本实施例中，神经网络模型的总误差为属性误差与位置误差之间的加权和。其中，属性误差为每个分支模型输出的预测属性信息与实际属性信息之间的误差的和(或者加权和)；位置误差为每个分支模型输出的预测位置信息与实际位置信息之间的误差的和(或者加权和)。

可选地，基于图3所示的实施例，车辆属性检测装置还可以根据不同局部属性位置的预测局部车身颜色确定预测车辆颜色；确定预测车辆颜色与实际车辆颜色之间误差，根据该误差更新神经网络模型中的网络参数。

其中，车辆属性检测装置在模型训练过程中确定预测车辆颜色的方式与该车辆属性检测装置在实际检测过程中确定车辆颜色的方式相同。

可选地，基于图3所示的实施例，在步骤303之后，车辆属性检测装置还可以使用预先获取的测试集对属性检测模型的准确率进行测试；在属性检测模型的准确率低于预设准确率阈值时，再次执行步骤301；在属性检测模型的准确率大于或等于预设准确率阈值时，流程结束。其中，测试集包括至少一组数，测试集中的至少一组数据也包括车辆的样本图像、车辆的实际属性信息和实际属性信息在样本图像中的实际位置信息，但测试集中的至少一组数据中数据内容与训练集中的至少一组数据中的数据内容不同。

综上所述，本实施例中，通过构建基于卷积神经网络的属性检测模型，在该卷积神经网络中部署至少三个分支模型，且每个分支模型均可以一次性输出属性信息和对应的位置信息两种预测结果，无需构建两个独立的网络，降低模型部署的难度；另外，由于卷积神经网络的语义表达能力较强，因此，通过训练卷积神经网络得到属性检测模型可以得到比较准确的属性信息。

图4是本申请一个实施例提供的车辆属性检测装置的框图。该装置至少包括以下几个模块：图像获取模块410、属性预测模块420和颜色确定模块430。

图像获取模块410，用于获取待识别车辆的车辆图像；

属性预测模块420，用于将所述车辆图像输入预先训练的属性检测模型，得到所述待识别车辆的至少两种属性信息和每种属性信息在所述车辆图像中的位置信息；所述属性检测模型包括第一分支模型，所述第一分支模型用于检测所述待识别车辆上不同局部属性位置的局部车身颜色；所述至少两种属性信息包括所述不同局部属性位置的局部车身颜色；

颜色确定模块430，用于根据所述不同局部属性位置的局部车身颜色确定所述待识别车辆的车辆颜色。

相关细节参考上述方法实施例。

需要说明的是：上述实施例中提供的车辆属性检测装置在进行车辆属性检测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将车辆属性检测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车辆属性检测装置与车辆属性检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图5是本申请一个实施例提供的车辆属性检测装置的框图，该装置可以是包含图1所示的车辆属性检测系统中的阻塞监控组件110的装置，比如：智能手机、平板电脑、笔记本电脑、台式电脑或服务器。车辆属性检测装置还可能被称为用户设备、便携式终端、膝上型终端、台式终端、控制终端等，本实施例对此不作限定。该装置至少包括处理器501和存储器502。

处理器501可以包括一个或多个处理核心，比如：4核心处理器、5核心处理器等。处理器501可以采用dsp(digitalsignalprocessing，数字信号处理)、fpga(field-programmablegatearray，现场可编程门阵列)、pla(programmablelogicarray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(centralprocessingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器501可以在集成有gpu(graphicsprocessingunit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器501还可以包括ai(artificialintelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。

存储器502可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的车辆属性检测方法。

在一些实施例中，车辆属性检测装置还可选包括有：外围设备接口和至少一个外围设备。处理器501、存储器502和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。

当然，车辆属性检测装置还可以包括更少或更多的组件，本实施例对此不作限定。

可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的车辆属性检测方法。

可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的车辆属性检测方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。