车载设备的识别方法、装置、系统、设备及可读介质与流程

1.本技术实施例涉及计算机技术领域，尤其涉及一种车载设备的识别方法、装置、系统、电子设备及计算机可读介质。


背景技术：

2.在车载业务中，车载设备(车机或者车载多媒体系统)品牌众多，且不同厂家、不同品牌的车载设备的软件和硬件等差异较大，从而导致应用软件适配车载设备的复杂度和难度非常高。以地图导航应用为例，当用户的车载设备中安装的地图导航应用软件出现问题崩溃时，目前只能通过车载设备的唯一标识信息查找到车载设备的软硬件参数，而并不能查找到车载设备更多的信息，比如车载设备的品牌、方案商、系统集成商等。然而，车载设备上安装的应用软件出现问题时，对于应用软件的提供者需要使用与实际出问题的车载设备相同的车载设备来复现或者调试，进而解决车载设备上安装的应用软件出现的问题。但由于目前只能通过车载设备的唯一标识信息查找到车载设备的软硬件参数，没有更多信息，会使得很难快速找到和出问题的车载设备同样的车载设备，从而导致无法快速有效地解决用户的车载设备上安装的应用软件出现的问题。由此可见，如何快速查找到与应用软件出问题的车载设备相同的车载设备成为当前亟待解决的技术问题。


技术实现要素：

3.本技术的目的在于提出一种车载设备的识别方法、装置、系统、电子设备及计算机可读介质，用于解决现有技术中存在的如何快速查找到与应用软件出问题的车载设备相同的车载设备的技术问题。
4.根据本技术实施例的第一方面，提供了一种车载设备的识别方法。所述方法包括：对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据；将所述目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得所述目标车载设备的特征数据的比对结果，其中，所述车载设备特征库为基于所述车载设备样本的特征数据预先建立的数据库；如果所述比对结果为所述目标车载设备的特征数据与所述车载设备样本的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
5.根据本技术实施例的第二方面，提供了一种车载设备的识别装置。所述装置包括：特征提取模块，用于对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据；第一比对模块，用于将所述目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得所述目标车载设备的特征数据的比对结果，其中，所述车载设备特征库为基于所述车载设备样本的特征数据预先建立的数据库；第一确定模块，用于如果所述比对结果为所述目标车载设备的特征数据与所述车载设备样本的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
6.根据本技术实施例的第三方面，提供了一种车载设备的识别系统。所述系统包括：
应用问题收集平台、与所述应用问题收集平台通信连接的缺陷提取平台，及与所述应用问题收集平台通信连接的车载设备云控平台，所述应用问题收集平台，用于接收安装于车载设备中的导航应用上传的问题描述数据，并将所述问题描述数据转发至所述缺陷提取平台，其中，所述问题描述数据包括所述车载设备的特征数据；所述缺陷提取平台，用于基于接收的所述问题描述数据生成所述载设备中的导航应用的缺陷数据；所述应用问题收集平台，还用于在监听到所述缺陷数据生成时，提取所述缺陷数据包括的所述车载设备的特征数据，并调用所述车载设备云控平台基于所述车载设备的特征数据，识别所述车载设备所属的车载设备方案商；所述应用问题收集平台，还用于接收所述车载设备云控平台基于所述车载设备的特征数据识别的所述车载设备所属的车载设备方案商，并通过调用所述缺陷提取平台的接口，将所述车载设备所属的车载设备方案商编辑到所述缺陷提取平台生成的所述缺陷数据中。
7.根据本技术实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；计算机可读介质，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例的第一方面所述的车载设备的识别方法。
8.根据本技术实施例的第五方面，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例的第一方面所述的车载设备的识别方法。
9.根据本技术实施例提供的车载设备的识别方案，对目标车载设备的设备参数进行特征提取，以获得目标车载设备的特征数据，并将目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得目标车载设备的特征数据的比对结果，其中，车载设备特征库为基于车载设备样本的特征数据预先建立的数据库；如果比对结果为目标车载设备的特征数据与车载设备样本的特征数据相同，则确定车载设备样本为与目标车载设备相同的车载设备，与现有的其它方式相比，对目标车载设备的设备参数进行特征提取，得到目标车载设备的特征数据，并将目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，能够有效地识别出与目标车载设备相同的车载设备。
附图说明
10.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
11.图1a为本技术实施例一中车载设备的识别方法的步骤流程图；
12.图1b为根据本技术实施例一提供的车载设备特征库的构建过程的示意图；
13.图1c为根据本技术实施例一提供的车载设备的识别过程的示意图；
14.图2为本技术实施例二中车载设备的识别方法的步骤流程图；
15.图3为本技术实施例三中车载设备的识别系统的示意图；
16.图4为本技术实施例四中车载设备的识别装置的结构示意图；
17.图5为本技术实施例五中车载设备的识别装置的结构示意图；
18.图6为本技术实施例六中车载设备的识别装置的结构示意图；
19.图7为本技术实施例七中电子设备的结构示意图；
20.图8为本技术实施例八中电子设备的硬件结构。
具体实施方式
21.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅配置为解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
22.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
23.参照图1a，示出了本技术实施例一的车载设备的识别方法的步骤流程图。
24.具体地，本实施例提供的车载设备的识别方法包括以下步骤：
25.在步骤s101中，对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据。
26.在本技术实施例中，所述目标车载设备可理解为需要进行车载设备方案商识别的车载设备，例如，安装有导航应用的车载设备，导航应用出现线上崩溃问题的车载设备等。所述目标车载设备的设备参数可包括所述目标车载设备的硬件参数和软件参数。所述目标车载设备的硬件参数可包括所述目标车载设备的cpu型号、所述目标车载设备的cpu供应商、所述目标车载设备的cpu核心数、所述目标车载设备的cpu频率、所述目标车载设备的方向传感器的型号、所述目标车载设备的加速度感应器的型号、所述目标车载设备的陀螺仪感应器的型号、所述目标车载设备的型号、所述目标车载设备的硬件制造商、所述目标车载设备的硬件名称等，所述目标车载设备的软件参数可包括所述目标车载设备的操作系统的版本号、所述目标车载设备的操作系统的内核版本、所述目标车载设备的操作系统的基带版本、所述目标车载设备的操作系统的版本增量、所述目标车载设备的操作系统的版本增量、所述目标车载设备的蓝牙支持版本等。所述目标车载设备的特征数据可理解为用于表征目标车载设备的特征的数据。例如，所述特征数据可包括所述目标车载设备的类型特征数据和所述目标车载设备所属的所述车载设备方案商的特征数据等。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
27.在一些可选实施例中，所述对目标车载设备的设备参数进行特征提取之前，所述方法还包括：检测本地是否保存有所述特征数据，或者所述目标车载设备的硬件所对应的固件指纹是否发生变化；如果检测到本地未保存有所述特征数据，或者所述目标车载设备的硬件所对应的固件指纹发生变化，则执行所述对目标车载设备的设备参数进行特征提取的步骤。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
28.在一个具体的例子中，车载设备中的导航应用处于启动的最开始阶段，在各适配开关初始化之前，如果本地找不到保存的车载设备的特征数据或者车载设备的硬件所对应的固件指纹发生变化时，则执行对车载设备的设备参数进行特征提取的步骤。其中，所述目标车载设备的硬件所对应的固件指纹由硬件品牌、开发代号、硬件名、安卓版本号、固件版本、增量版本号、编译模式、编译标签按照特定的格式组成。如小米6x所对应的固件指纹可为xiaomi/wayne/wayne:8.1.0/opm1.171019.011/v10.2.5.0.odccnxm:user/release-keys。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
29.在一些可选实施例中，所述特征数据包括所述目标车载设备的类型特征数据和所
述目标车载设备所属的所述车载设备方案商的特征数据。在对目标车载设备的设备参数进行特征提取时，对所述目标车载设备的所述设备参数进行类型特征提取，以获得所述目标车载设备的所述类型特征数据；基于预设的参数提取规则，提取所述目标车载设备的所述设备参数中的部分设备参数，并基于所述部分设备参数，生成所述目标车载设备所属的所述车载设备方案商的特征数据。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
30.在一个具体的例子中，在对所述目标车载设备的所述设备参数进行类型特征提取时，通过车载设备类型特征提取模型，对所述目标车载设备的所述设备参数进行类型特征提取，以获得所述目标车载设备的所述类型特征数据。其中，所述类型特征数据可理解为用于表征目标车载设备的类型特征的数据。籍此，通过车载设备类型特征提取模型，对目标车载设备的所述设备参数进行类型特征提取，能够既准确又快速地获得目标车载设备的类型特征数据。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
31.在一个具体的例子中，在通过车载设备类型特征提取模型，对所述目标车载设备的所述设备参数进行类型特征提取之前，所述方法还包括：基于车载设备样本的类型特征标注数据，对待训练的所述车载设备类型特征提取模型进行训练。具体地，在基于车载设备样本的类型特征标注数据，对待训练的所述车载设备类型特征提取模型进行训练时，通过待训练的所述车载设备类型特征提取模型，对所述车载设备样本的设备参数进行类型特征提取，以获得所述车载设备样本的类型特征数据；基于所述车载设备样本的所述类型特征标注数据和所述类型特征数据，对待训练的所述车载设备类型特征提取模型进训练。其中，所述车载设备样本可为车载设备云控平台中的车载设备所构成的样本，安装有导航应用的车载设备所构成的样本等。所述类型特征标注数据可理解为人工或机器针对车载设备样本标注的类型特征数据，例如，类型特征标注向量。所述车载设备类型特征提取模型可理解为用于提取车载设备类型特征的模型。所述车载设备类型特征提取模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等等。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
32.在一个具体的例子中，在基于所述车载设备样本的所述类型特征标注数据和所述类型特征数据，对待训练的所述车载设备类型特征提取模型进训练时，通过目标损失函数，确定所述类型特征标注数据和所述类型特征数据的差异值；基于所述差异值，调整所述车载设备类型特征提取模型的模型参数。其中，所述目标损失函数可为交叉熵损失函数、softmax损失函数、l1损失函数、l2损失函数等任意损失函数。在调整所述车载设备类型特征提取模型的模型参数时，可采用反向传播算法，或者随机梯度下降算法来调整所述车载设备类型特征提取模型的模型参数。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
33.在一个具体的例子中，通过确定所述类型特征标注数据和所述类型特征数据之间的差异值，对当前获得的类型特征数据进行评估，以作为后续训练所述车载设备类型特征提取模型的依据。具体地，可将所述差异值反向传输给所述车载设备类型特征提取模型，从而迭代地训练所述车载设备类型特征提取模型。所述车载设备类型特征提取模型的训练是
一个迭代的过程，本技术实施例仅对其中的一次训练过程进行了说明，但本领域技术人员应当明了，对所述车载设备类型特征提取模型的每次训练都可采用该训练方式，直至完成所述车载设备类型特征提取模型的训练。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
34.在一些可选实施例中，在对所述目标车载设备的所述设备参数进行类型特征提取时，通过用于计算所述目标车载设备的第一类型特征码的密码散列函数，基于所述目标车载设备的指定硬件的指定系统版本号，计算所述目标车载设备的所述第一类型特征码；通过用于计算所述目标车载设备的第二类型特征码的密码散列函数，基于所述目标车载设备的指定硬件的指定系统版本号的指定固件指纹，计算所述目标车载设备的所述第二类型特征码，其中，所述第二类型特征码的精度高于所述第一类型特征码的精度。其中，所述密码散列函数是散列函数的一种，它被认为是一种单向函数，也就是说极其难以由散列函数输出的结果，回推输入的数据是什么。籍此，通过密码散列函数，能够准确地计算出目标车载设备的类型特征码。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
35.在一些可选实施例中，在基于预设的参数提取规则，提取所述目标车载设备的所述设备参数中的部分设备参数时，基于预设的参数提取规则，提取所述目标车载设备的硬件的型号、所述目标车载设备的硬件的制造商、所述目标车载设备的硬件的产品系列号和所述目标车载设备的硬件的系统发行号。其中，所述预设的参数提取规则可理解为用于提取目标车载设备的设备参数中的指定的部分设备参数的规则。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
36.在一些可选实施例中，在基于所述部分设备参数，生成所述目标车载设备所属的所述车载设备方案商的特征数据时，基于所述目标车载设备的硬件的型号、所述目标车载设备的硬件的制造商、所述目标车载设备的硬件的产品系列号和所述目标车载设备的硬件的系统发行号，生成所述目标车载设备所属的所述车载设备方案商的特征表征字符串。其中，所述特征表征字符串采用json格式保存。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
37.在步骤s102中，将所述目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得所述目标车载设备的特征数据的比对结果。
38.在本技术实施例中，所述车载设备特征库为基于所述车载设备样本的特征数据预先建立的数据库。所述车载设备样本可为车载设备云控平台中的车载设备所构成的样本，安装有导航应用的车载设备所构成的样本等。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
39.在一些可选实施例中，所述将所述目标车载设备的特征数据与预设的车载设备特征库中的车载设备样本的特征数据进行比对之前，所述方法还包括：基于所述车载设备样本的设备参数，构建所述车载设备特征库。在基于所述车载设备样本的设备参数，构建所述车载设备特征库时，对所述车载设备样本的设备参数进行特征提取，以获得所述车载设备样本的特征数据；基于所述车载设备样本的特征数据，构建所述车载设备特征库。其中，所述对所述车载设备样本的设备参数进行特征提取的具体实施方式与上述对所述目标车载设备的设备参数进行特征提取的具体实施方式类似，在此不再赘述。可以理解的是，以上描
述仅为示例性的，本技术实施例对此不做任何限定。
40.在一个具体的例子中，如图1b所示，接入车载设备云控平台的车载设备包括前装所有车载设备、后装渠道继承的车载设备和特殊需求的车载设备。其中，所述前装所有车载设备可理解为由合作的汽车厂商安装导航应用的车载设备，所述后装渠道继承的车载设备可理解为由汽车用户安装导航应用的车载设备，所述特殊需要的车载设备可为低性能的车载设备、预设时间段内使用导航应用次数较多的车载设备、与导航应用合作的厂商的车载设备等。车载设备云控平台可将接入车载设备云控平台的车载设备构成样本，并获取每个车载设备样本的设备参数，再根据每个车载设备样本的设备参数，计算车载设备样本的第一类型特征码和第二类型特征码，及提取车载设备样本所属的车载设备方案商的json字段中的特征表征字符串，从而在车载设备云控平台上建立车载设备特征库。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
41.在步骤s103中，如果所述比对结果为所述目标车载设备的特征数据与所述车载设备样本的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
42.在一些可选实施例中，所述特征数据包括以下中的至少一者：所述目标车载设备的第一类型特征码、所述目标车载设备的精度高于所述第一类型特征码的精度的第二类型特征码、所述目标车载设备所属的车载设备方案商的特征数据。其中，所述目标车载设备所属的车载设备方案商的特征数据为所述目标车载设备所属的车载设备方案商的特征表征字符串，其格式为json格式。所述车载设备方案商为提供车载设备的构成方案的厂商。具体地，所述车载设备方案商可理解为提供车载设备的硬件平台和软件操作系统的构成方案的厂商。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
43.在一个具体的例子中，所述方法还包括：将所述目标车载设备的第二类型特征码与所述车载设备特征库中的车载设备样本的第二类型特征码进行比对，以获得所述目标车载设备的第二类型特征码的比对结果；如果基于所述第二类型特征码的比对结果确定所述目标车载设备的第二类型特征码与所述车载设备样本的第二类型特征码相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。籍此，通过将目标车载设备的第二类型特征码与所述车载设备特征库中的车载设备样本的第二类型特征码进行比对，能够准确地识别出车载设备样本为与目标车载设备相同的车载设备。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
44.在一个具体的例子中，由于所述目标车载设备的第二类型特征码的精度高于所述目标车载设备的所述第一类型特征码的精度，因此，所述目标车载设备的第二类型特征码的比对范围更小一些。相应地，识别出车载设备样本为与目标车载设备相同的车载设备的准确度更高。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
45.在一个具体的例子中，所述方法还包括：如果基于所述第二类型特征码的比对结果确定所述目标车载设备的第二类型特征码与所述车载设备样本的第二类型特征码不相同，则将所述目标车载设备的第一类型特征码与所述车载设备样本的第一类型特征码进行比对，以获得所述目标车载设备的第一类型特征码的比对结果；如果基于所述第一类型特征码的比对结果确定所述目标车载设备的第一类型特征码与所述车载设备样本的第一类型特征码相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。籍此，通
过将目标车载设备的第一类型特征码与车载设备特征库中的车载设备样本的第一类型特征码进行比对，能够准确地识别出车载设备样本为与目标车载设备相同的车载设备。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
46.在一个具体的例子中，由于所述目标车载设备的第二类型特征码的精度高于所述目标车载设备的所述第一类型特征码的精度，因此，所述目标车载设备的第一类型特征码的比对范围更大一些。相应地，识别得到的与目标车载设备相同的车载设备的准确度相对于目标车载设备的第二类型特征码的准确度更低。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
47.在一个具体的例子中，所述方法还包括：如果基于所述第一类型特征码的比对结果确定所述目标车载设备的第一类型特征码与所述车载设备样本的第一类型特征码不相同，则将所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据进行比对，以获得所述目标车载设备所属的车载设备方案商的特征数据的比对结果；如果基于所述目标车载设备所属的车载设备方案商的特征数据的比对结果确定所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。籍此，通过将目标车载设备所属的车载设备方案商的特征数据与车载设备样本所属的车载设备方案商的特征数据进行比对，能够准确地识别出车载设备样本为与目标车载设备相同的车载设备。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
48.在一个具体的例子中，在将目标车载设备所属的车载设备方案商的特征数据与车载设备样本所属的车载设备方案商的特征数据进行比对时，确定所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度；基于所述相似度，确定所述目标车载设备所属的车载设备方案商的特征数据的比对结果。籍此，通过确定目标车载设备所属的车载设备方案商的特征数据与车载设备样本所属的车载设备方案商的特征数据的相似度，能够准确地将目标车载设备所属的车载设备方案商的特征数据与车载设备样本所属的车载设备方案商的特征数据进行比对。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
49.在一个具体的例子中，在确定所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度时，通过特征相似度预测模型，预测所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度。籍此，通过特征相似度预测模型，能够准确地预测目标车载设备所属的车载设备方案商的特征数据与车载设备样本所属的车载设备方案商的特征数据的相似度。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
50.在一个具体的例子中，所述特征相似度预测模型可理解为用于预测特征相似度的模型。所述特征相似度预测模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等等。可以理解的是，以上描述仅为示例性的，本技术实施例
对此不做任何限定。
51.在一个具体的例子中，所述目标车载设备所属的所述车载设备方案商的特征数据包括所述目标车载设备所属的所述车载设备方案商的特征表征字符串。在确定所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度时，计算所述目标车载设备所属的车载设备方案商的特征表征字符串与所述车载设备样本所属的车载设备方案商的特征表征字符串的编辑距离；基于所述编辑距离，确定所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度。籍此，通过计算目标车载设备所属的车载设备方案商的特征表征字符串与车载设备样本所属的车载设备方案商的特征表征字符串的编辑距离，能够准确地确定目标车载设备所属的车载设备方案商的特征数据与车载设备样本所属的车载设备方案商的特征数据的相似度。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
52.在一个具体的例子中，在计算所述目标车载设备所属的所述车载设备方案商的特征表征字符串与所述车载设备样本所属的车载设备方案商的特征表征字符串的编辑距离时，可采用编辑距离算法，计算所述目标车载设备所属的所述车载设备方案商的特征表征字符串与所述车载设备样本所属的车载设备方案商的特征表征字符串的编辑距离。其中，编辑距离算法指的是计算两个字符串之间，由一个转成另一个所需的最少编辑操作次数的算法。许可的编辑操作可包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。一般来说，编辑距离越小，两个串的相似度越大。籍此，通过采用编辑距离算法，能够准确地计算目标车载设备所属的车载设备方案商的特征表征字符串与车载设备样本所属的车载设备方案商的特征表征字符串的编辑距离。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
53.在一个具体的例子中，在基于所述编辑距离，确定所述目标车载设备所属的所述车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度时，所述编辑距离越小，所述目标车载设备所属的所述车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度越大；所述编辑距离越大，所述目标车载设备所属的所述车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度越小。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
54.在一个具体的例子中，在基于所述相似度，确定所述目标车载设备所属的所述车载设备方案商的特征数据的比对结果时，确定特征数据与所述目标车载设备所属的所述车载设备方案商的特征数据的相似度最大的车载设备样本，并确定特征数据与所述目标车载设备所属的所述车载设备方案商的特征数据的相似度最大的车载设备样本为所述目标车载设备所属的所述车载设备方案商的特征数据的比对结果。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
55.在一个具体的例子中，如图1c所示，车载设备中的导航应用处于启动的最开始阶段，在各适配开关初始化之前，如果本地找不到保存的车载设备的特征数据或者车载设备的硬件所对应的固件指纹发生变化时，则执行对车载设备的设备参数进行特征提取的步骤，以获得车载设备的第一类型特征码、第二类型特征码和车载设备所属的车载设备方案
商的json字段中的特征表征字符串。其中，所述第一类型特征码具有一级精度，并且所述第二类型特征码具有二级精度。然后，车载设备中的导航应用可调用车载设备云控平台的接口输入车载设备的第一类型特征码、第二类型特征码和车载设备所属的车载设备方案商的json字段中的特征表征字符串。再然后，从车载设备云控平台的设备特征库中比对与车载设备的第二类型特征码相同的车载设备样本，如果比对不到，就会放宽条件比对与车载设备的第一类型特征码相同的车载设备样本。在基于车载设备的第一类型特征码比对不到车载设备样本的情况下，则会通过比对车载设备所属的车载设备方案商的json字段中的特征表征字符串找到与车载设备相似的车载设备样本。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
56.在实际应用中，集成车载设备设别能力到车载设备云控平台，对外提供通用的车载设备识别接口，供车载设备中的导航应用调用，目前已应用于安装导航应用的车载设备的仿真平台。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
57.通过本技术实施例提供的车载设备的识别方法，对目标车载设备的设备参数进行特征提取，以获得目标车载设备的特征数据，并将目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得目标车载设备的特征数据的比对结果，其中，车载设备特征库为基于车载设备样本的特征数据预先建立的数据库；如果比对结果为目标车载设备的特征数据与车载设备样本的特征数据相同，则确定车载设备样本为与目标车载设备相同的车载设备，与现有的其它方式相比，对目标车载设备的设备参数进行特征提取，得到目标车载设备的特征数据，并将目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，能够有效地识别出与目标车载设备相同的车载设备。
58.本实施例的车载设备的识别方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：摄像头、终端、移动终端、pc机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(pda)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备等。
59.参照图2，示出了本技术实施例二的车载设备的识别方法的步骤流程图。
60.具体地，本实施例提供的车载设备的识别方法包括以下步骤：
61.在步骤s201中，对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据。
62.由于该步骤s201的具体实施方式与上述步骤s101的具体实施方式类似，在此不再赘述。
63.在步骤s202中，基于车载设备样本所属的车载设备方案商的标注数据，对待训练的车载设备方案商预测模型进行训练。
64.在本技术实施例中，所述车载设备样本可为车载设备云控平台中的车载设备所构成的样本，安装有导航应用的车载设备所构成的样本等。所述车载设备样本所属的车载设备方案商的标注数据可理解为人工或机器标注所述车载设备样本所属的车载设备方案商的数据，例如，车载设备样本所属的车载设备方案商的标注向量。所述车载设备方案商预测模型可理解为用于预测车载设备所属的车载设备方案商的模型。所述车载设备方案商预测模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷
积神经网络、增强学习神经网络、对抗神经网络中的生成网络等等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等等。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
65.在一些可选实施例中，在基于车载设备样本所属的车载设备方案商的标注数据，对待训练的车载设备方案商预测模型进行训练时，通过待训练的所述车载设备方案商预测模型，基于所述车载设备样本的特征数据，确定所述车载设备样本所属的车载设备方案商的预测数据；基于所述标注数据和所述预测数据，对待训练的所述车载设备方案商预测模型进行训练。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
66.在一个具体的例子中，在基于所述标注数据和所述预测数据，对待训练的所述车载设备方案商预测模型进行训练时，通过目标损失函数，确定所述标注数据和所述预测数据的差异值；基于所述差异值，调整所述车载设备方案商预测模型的模型参数。其中，所述目标损失函数可为交叉熵损失函数、softmax损失函数、l1损失函数、l2损失函数等任意损失函数。在调整所述车载设备方案商预测模型的模型参数时，可采用反向传播算法，或者随机梯度下降算法来调整所述车载设备方案商预测模型的模型参数。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
67.在一个具体的例子中，通过确定所述标注数据和所述预测数据之间的差异值，对当前获得的所述预测数据进行评估，以作为后续训练所述车载设备方案商预测模型的依据。具体地，可将所述差异值反向传输给所述车载设备方案商预测模型，从而迭代地训练所述车载设备方案商预测模型。所述车载设备方案商预测模型的训练是一个迭代的过程，本技术实施例仅对其中的一次训练过程进行了说明，但本领域技术人员应当明了，对所述车载设备方案商预测模型的每次训练都可采用该训练方式，直至完成所述车载设备方案商预测模型的训练。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
68.在步骤s203中，通过训练后的所述车载设备方案商预测模型，基于所述目标车载设备的特征数据，预测所述目标车载设备所属的车载设备方案商。
69.在一些可选实施例中，在基于所述目标车载设备的特征数据，识别所述目标车载设备所属的车载设备方案商时，确定所述目标车载设备的特征数据与车载设备样本的聚类结果所对应的特征数据的相似度；基于所述相似度，确定所述目标车载设备所属的聚类结果；确定所述目标车载设备所属的聚类结果所对应的车载设备方案商为所述目标车载设备所属的车载设备方案商。籍此，通过确定目标车载设备的特征数据与车载设备样本的聚类结果所对应的特征数据的相似度，能够准确地识别目标车载设备所属的车载设备方案商。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
70.在一个具体的例子中，所述确定所述目标车载设备的特征数据与车载设备样本的聚类结果所对应的特征数据的相似度之前，所述方法还包括：基于所述车载设备样本的特征数据，对所述车载设备样本进行聚类，以获得所述车载设备样本的聚类结果。籍此，通过车载设备样本的特征数据，对车载设备样本进行聚类，能够准确地获得车载设备样本的聚类结果。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
71.在一个具体的例子中，在基于所述车载设备样本的特征数据，对所述车载设备样本进行聚类时，可通过k均值聚类算法，基于所述车载设备样本的特征数据，对所述车载设备样本进行聚类，以获得所述车载设备样本的聚类结果。在获得所述车载设备样本的聚类
结果之后，基于属于每个聚类结果的车载设备样本的特征数据，确定车载设备样本的每个聚类结果对应的特征数据。具体地，可确定属于每个聚类结果的车载设备样本的特征数据的众数为车载设备样本的每个聚类结果对应的特征数据。在确定车载设备样本的每个聚类结果对应的特征数据之后，可基于车载设备样本的每个聚类结果对应的特征数据，确定车载设备样本的每个聚类结果对应的车载设备方案商。具体地，通过所述车载设备方案商预测模型，基于车载设备样本的每个聚类结果对应的特征数据，预测车载设备样本的每个聚类结果对应的车载设备方案商。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
72.通过本技术实施例提供的车载设备的识别方法，对目标车载设备的设备参数进行特征提取，以获得目标车载设备的特征数据；并基于车载设备样本所属的车载设备方案商的标注数据，对待训练的车载设备方案商预测模型进行训练，再通过训练后的车载设备方案商预测模型，基于目标车载设备的特征数据，预测目标车载设备所属的车载设备方案商，与现有的其它方式相比，通过训练后的车载设备方案商预测模型，基于对目标车载设备的设备参数进行特征提取得到的目标车载设备的特征数据，预测目标车载设备所属的车载设备方案商，能够既有效又准确地识别出车载设备所属的车载设备方案商。
73.本实施例的车载设备的识别方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：摄像头、终端、移动终端、pc机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(pda)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备等。
74.参照图3，示出了本技术实施例三中车载设备的识别系统的示意图。
75.本实施例提供的车载设备的识别系统包括：应用问题收集平台、与所述应用问题收集平台通信连接的缺陷提取平台，及与所述应用问题收集平台通信连接的车载设备云控平台，所述应用问题收集平台，用于接收安装于车载设备中的导航应用上传的问题描述数据，并将所述问题描述数据转发至所述缺陷提取平台，其中，所述问题描述数据包括所述车载设备的特征数据；所述缺陷提取平台，用于基于接收的所述问题描述数据生成所述载设备中的导航应用的缺陷数据；所述应用问题收集平台，还用于在监听到所述缺陷数据生成时，提取所述缺陷数据包括的所述车载设备的特征数据，并调用所述车载设备云控平台基于所述车载设备的特征数据，识别所述车载设备所属的车载设备方案商；所述应用问题收集平台，还用于接收所述车载设备云控平台基于所述车载设备的特征数据识别的所述车载设备所属的车载设备方案商，并通过调用所述缺陷提取平台的接口，将所述车载设备所属的车载设备方案商编辑到所述缺陷提取平台生成的所述缺陷数据中。籍此，通过将车载设备所属的车载设备方案商编辑到缺陷提取平台生成的缺陷数据中，能够找到与实际出问题的车载设备相同的车载设备来复现或者调试汽车导航应用遇到的问题，进而有效解决汽车导航应用遇到的问题。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
76.在一个具体的例子中，如图3所示，当安装于车载设备中的导航应用发生线上崩溃问题时，会往应用问题收集平台上传导航应用发生的线上崩溃问题的问题描述数据，其中附带有安装于车载设备中的导航应用提取的车载设备的特征数据。应用问题收集平台将接收到的问题描述数据转发至缺陷提取平台，缺陷提取平台基于接收的问题描述数据生成载
设备中的导航应用的缺陷数据。当应用问题收集平台的监听服务进程通过消息中间件监听到缺陷提取平台基于所述问题描述数据生成车载设备中的导航应用的缺陷数据时，监听服务进程通知应用问题收集平台的解析服务进程，从生成的缺陷数据中提取车载设备的特征数据，并调用车载设备云控平台的车载设备识别接口基于车载设备的特征数据识别车载设备所属的车载设备方案商。应用问题收集平台接收车载设备云控平台的车载设备识别接口返回的车载设备所属的车载设备方案商，并通过调用缺陷提取平台的接口，采用链接的方式将车载设备所属的车载设备方案商编辑到缺陷提取平台生成的缺陷数据中。接下来，研发就可以通过缺陷数据中的这个链接从车载设备云控平台中比对与出问题的车载设备相同的车载设备进行问题的调试或者复现，进而有效解决车载设备中的导航应用所遇到的线上崩溃问题。可以理解的是，以上描述仅为示例性的，本技术实施例对此不做任何限定。
77.本实施例的车载设备的识别系统用于实现前述多个方法实施例中相应的车载设备的识别方法，并具有相应的方法实施例的有益效果，在此不再赘述。
78.参照图4，示出了本技术实施例四中车载设备的识别装置的结构示意图。
79.本实施例提供的车载设备的识别装置包括：特征提取模块401，用于对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据；第一比对模块402，用于将所述目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得所述目标车载设备的特征数据的比对结果，其中，所述车载设备特征库为基于所述车载设备样本的特征数据预先建立的数据库；第一确定模块403，用于如果所述比对结果为所述目标车载设备的特征数据与所述车载设备样本的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
80.本实施例的车载设备的识别装置用于实现前述多个方法实施例中相应的车载设备的识别方法，并具有相应的方法实施例的有益效果，在此不再赘述。
81.参照图5，示出了本技术实施例五中车载设备的识别装置的结构示意图。
82.本实施例提供的车载设备的识别装置包括：特征提取模块503，用于对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据；第一比对模块504，用于将所述目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得所述目标车载设备的特征数据的比对结果，其中，所述车载设备特征库为基于所述车载设备样本的特征数据预先建立的数据库；第一确定模块505，用于如果所述比对结果为所述目标车载设备的特征数据与所述车载设备样本的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
83.可选地，所述特征提取模块503之前，所述装置还包括：检测模块501，用于检测本地是否保存有所述特征数据，或者所述目标车载设备的硬件所对应的固件指纹是否发生变化；执行模块502，用于如果所述检测模块检测到本地未保存有所述特征数据，或者所述目标车载设备的硬件所对应的固件指纹发生变化，则执行所述对目标车载设备的设备参数进行特征提取的步骤。
84.可选地，所述特征数据包括所述目标车载设备的类型特征数据和所述目标车载设备所属的所述车载设备方案商的特征数据，所述特征提取模块503，包括：第一特征提取子模块5031，用于对所述目标车载设备的所述设备参数进行类型特征提取，以获得所述目标车载设备的所述类型特征数据；第二特征提取子模块5032，用于基于预设的参数提取规则，
提取所述目标车载设备的所述设备参数中的部分设备参数，并基于所述部分设备参数，生成所述目标车载设备所属的所述车载设备方案商的特征数据。
85.可选地，所述第一特征提取子模块5031，具体用于：通过车载设备类型特征提取模型，对所述目标车载设备的所述设备参数进行类型特征提取，以获得所述目标车载设备的所述类型特征数据。
86.可选地，所述第一特征提取子模块5031，具体用于：通过用于计算所述目标车载设备的第一类型特征码的密码散列函数，基于所述目标车载设备的指定硬件的指定系统版本号，计算所述目标车载设备的所述第一类型特征码；通过用于计算所述目标车载设备的第二类型特征码的密码散列函数，基于所述目标车载设备的指定硬件的指定系统版本号的指定固件指纹，计算所述目标车载设备的所述第二类型特征码，其中，所述第二类型特征码的精度高于所述第一类型特征码的精度。
87.可选地，所述装置还包括：训练模块506，用于基于车载设备样本所属的车载设备方案商的标注数据，对待训练的车载设备方案商预测模型进行训练；预测模块507，用于通过训练后的所述车载设备方案商预测模型，基于所述目标车载设备的特征数据，预测所述目标车载设备所属的车载设备方案商。
88.可选地，所述训练模块506，具体用于：通过待训练的所述车载设备方案商预测模型，基于所述车载设备样本的特征数据，确定所述车载设备样本所属的车载设备方案商的预测数据；基于所述标注数据和所述预测数据，对待训练的所述车载设备方案商预测模型进行训练。
89.可选地，所述装置还包括：第五确定模块509，用于确定所述目标车载设备的特征数据与车载设备样本的聚类结果所对应的特征数据的相似度；第六确定模块510，用于基于所述相似度，确定所述目标车载设备所属的聚类结果；第七确定模块511，用于确定所述目标车载设备所属的聚类结果所对应的车载设备方案商为所述目标车载设备所属的车载设备方案商。
90.可选地，所述第五确定模块509之前，所述装置还包括：聚类模块508，用于基于所述车载设备样本的特征数据，对所述车载设备样本进行聚类，以获得所述车载设备样本的聚类结果。
91.本实施例的车载设备的识别装置用于实现前述多个方法实施例中相应的车载设备的识别方法，并具有相应的方法实施例的有益效果，在此不再赘述。
92.参照图6，示出了本技术实施例六中车载设备的识别装置的结构示意图。
93.本实施例提供的车载设备的识别装置包括：特征提取模块601，用于对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据；第一比对模块602，用于将所述目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得所述目标车载设备的特征数据的比对结果，其中，所述车载设备特征库为基于所述车载设备样本的特征数据预先建立的数据库；第一确定模块603，用于如果所述比对结果为所述目标车载设备的特征数据与所述车载设备样本的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
94.可选地，所述特征数据包括以下中的至少一者：所述目标车载设备的第一类型特征码、所述目标车载设备的精度高于所述第一类型特征码的精度的第二类型特征码、所述
目标车载设备所属的车载设备方案商的特征数据。
95.可选地，所述装置还包括：第二比对模块604，用于将所述目标车载设备的第二类型特征码与所述车载设备特征库中的车载设备样本的第二类型特征码进行比对，以获得所述目标车载设备的第二类型特征码的比对结果；第二确定模块605，用于如果基于所述第二类型特征码的比对结果确定所述目标车载设备的第二类型特征码与所述车载设备样本的第二类型特征码相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
96.可选地，所述装置还包括：第三比对模块606，用于如果基于所述第二类型特征码的比对结果确定所述目标车载设备的第二类型特征码与所述车载设备样本的第二类型特征码不相同，则将所述目标车载设备的第一类型特征码与所述车载设备样本的第一类型特征码进行比对，以获得所述目标车载设备的第一类型特征码的比对结果；第三确定模块607，用于如果基于所述第一类型特征码的比对结果确定所述目标车载设备的第一类型特征码与所述车载设备样本的第一类型特征码相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
97.可选地，所述装置还包括：第四比对模块608，用于如果基于所述第一类型特征码的比对结果确定所述目标车载设备的第一类型特征码与所述车载设备样本的第一类型特征码不相同，则将所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据进行比对，以获得所述目标车载设备所属的车载设备方案商的特征数据的比对结果；第四确定模块609，用于如果基于所述目标车载设备所属的车载设备方案商的特征数据的比对结果确定所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
98.可选地，所述第四比对模块608，包括：第一确定单元6081，用于确定所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度；第二确定单元6082，用于基于所述相似度，确定所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度。
99.可选地，所述第一确定单元6081，具体用于：通过特征相似度预测模型，预测所述目标车载设备所属的车载设备方案商的特征数据与所述车载设备样本所属的车载设备方案商的特征数据的相似度。
100.可选地，所述目标车载设备所属的车载设备方案商的特征数据包括所述目标车载设备所属的车载设备方案商的特征表征字符串，所述第一确定单元6081，具体用于：计算所述目标车载设备所属的车载设备方案商的特征表征字符串与所述车载设备样本所属的车载设备方案商的特征表征字符串的编辑距离；基于所述编辑距离，确定所述目标车载设备所属的车载设备方案商的特征数据的比对结果。
101.本实施例的车载设备的识别装置用于实现前述多个方法实施例中相应的车载设备的识别方法，并具有相应的方法实施例的有益效果，在此不再赘述。
102.图7为本技术实施例七中电子设备的结构示意图；该电子设备可以包括：
103.一个或多个处理器701；
104.计算机可读介质702，可以配置为存储一个或多个程序，
105.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例一或实施例二所述的车载设备的识别方法。
106.图8为本技术实施例八中电子设备的硬件结构；如图8所示，该电子设备的硬件结构可以包括：处理器801，通信接口802，计算机可读介质803和通信总线804；
107.其中处理器801、通信接口802、计算机可读介质803通过通信总线804完成相互间的通信；
108.可选地，通信接口802可以为通信模块的接口，如gsm模块的接口；
109.其中，处理器801具体可以配置为：对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据；将所述目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得所述目标车载设备的特征数据的比对结果，其中，所述车载设备特征库为基于所述车载设备样本的特征数据预先建立的数据库；如果所述比对结果为所述目标车载设备的特征数据与所述车载设备样本的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
110.处理器801可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
111.计算机可读介质803可以是，但不限于，随机存取存储介质(random access memory，ram)，只读存储介质(read only memory，rom)，可编程只读存储介质(programmable read-only memory，prom)，可擦除只读存储介质(erasable programmable read-only memory，eprom)，电可擦除只读存储介质(electric erasable programmable read-only memory，eeprom)等。
112.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含配置为执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(cpu)执行时，执行本技术的方法中限定的上述功能。需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质(ram)、只读存储介质(rom)、可擦式可编程只读存储介质(eprom或闪存)、光纤、便携式紧凑磁盘只读存储介质(cd-rom)、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存
储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输配置为由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
113.可以以一种或多种程序设计语言或其组合来编写配置为执行本技术的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络：包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
114.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个配置为实现规定的逻辑功能的可执行指令。上述具体实施例中有特定先后关系，但这些先后关系只是示例性的，在具体实现的时候，这些步骤可能会更少、更多或执行顺序有调整。即在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
115.描述于本技术实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括特征提取模块、第一比对模块和第一确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，特征提取模块还可以被描述为“对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据的模块”。
116.作为另一方面，本技术还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一或实施例二所描述的车载设备的识别方法。
117.作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：对目标车载设备的设备参数进行特征提取，以获得所述目标车载设备的特征数据；将所述目标车载设备的特征数据与车载设备特征库中的车载设备样本的特征数据进行比对，以获得所述目标车载设备的特征数据的比对结果，其中，所述车载设备特征库为基于所述车载设备样本的特征数据预先建立的数据库；如果所述比对结果为所述目标车载设备的特征数据与所述车载设备样本的特征数据相同，则确定所述车载设备样本为与所述目标车载设备相同的车载设备。
118.在本公开的各种实施方式中所使用的表述“第一”、“第二”、“所述第一”或“所述第
二”可修饰各种部件而与顺序和/或重要性无关，但是这些表述不限制相应部件。以上表述仅配置为将元件与其它元件区分开的目的。例如，第一用户设备和第二用户设备表示不同的用户设备，虽然两者均是用户设备。例如，在不背离本公开的范围的前提下，第一元件可称作第二元件，类似地，第二元件可称作第一元件。
119.当一个元件(例如，第一元件)称为与另一元件(例如，第二元件)“(可操作地或可通信地)联接”或“(可操作地或可通信地)联接至”另一元件(例如，第二元件)或“连接至”另一元件(例如，第二元件)时，应理解为该一个元件直接连接至该另一元件或者该一个元件经由又一个元件(例如，第三元件)间接连接至该另一个元件。相反，可理解，当元件(例如，第一元件)称为“直接连接”或“直接联接”至另一元件(第二元件)时，则没有元件(例如，第三元件)插入在这两者之间。
120.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。