车辆分类方法、设备及存储介质与流程

车辆分类方法、设备及存储介质
【技术领域】
1.本技术涉及一种车辆分类方法、设备及存储介质，属于图像识别技术领域。


背景技术：

2.随着智能交通系统(intelligent transport system，its)技术的发展，可以实现从图像中自动识别出车辆的类别。而用户需要识别的车辆类别可能是多种，比如：对车辆品牌的识别，不仅需要识别出车辆的大品牌、还要识别出该大品牌下的子品牌、年款等分类。
3.传统的车辆分类方式包括：将车辆图像的多种分类标签合并为一个整体的标签，然后使用该车辆图像和该整体的标签对神经网络模型进行训练。之后，使用训练得到的分类模型对图像的多种分类同时进行识别，得到该图像中车辆的多种分类。
4.然而，目前的车辆的少部分车型可能使用数量较少，导致训练神经网络模型的训练数据也很少，这样，会使得训练得到的分类模型的鲁棒性不足，进而导致车辆分类出错影响后续行为判断的问题。


技术实现要素：

5.本技术提供了一种车辆分类方法、设备及存储介质，可以解决训练分类模型的训练数据少，导致分类模型的鲁棒性不足、车辆分类结果容易出错的问题。本技术中，通过将基础分类模型的特征和小样本分类模型的特征融合，设计成端到端的车辆分类形式来提高车型分类的整体准确率。本技术提供如下技术方案：
6.第一方面，提供一种车辆分类方法，所述方法包括：
7.获取目标图像；
8.将所述目标图像输入预先训练的基础分类模型，得到所述目标图像的图像特征、所述目标图像中车辆的分类结果和所述分类结果的置信度，每辆车辆的分类结果包括m级分类信息，所述m为大于1的正整数；所述基础分类模型是使用第一训练集训练得到的，所述第一训练集包括样本车辆图像和所述样本车辆图像中每辆车辆的m级分类标签；
9.在所述置信度小于预设阈值的情况下，从第二训练集中获取属于所述分类结果中的第一级分类信息的样本车辆图像，得到支持集；所述第二训练集包括各个第一级分类信息对应的车辆样本图像、以及每个车辆样本图像在对应的所述第一级分类信息下的子类标签；
10.将所述支持集输入预先训练的小样本分类模型执行元测试任务，得到所述第一级分类信息下各子类的小样本特征和更新后的小样本分类模型；所述小样本分类模型使用第三训练集构建的元训练任务训练得到；
11.基于所述图像特征和所述各子类的小样本特征，确定所述车辆的最终分类结果。
12.可选地，所述基于所述图像特征和所述各子类的小样本特征，确定所述车辆的最终分类结果，包括：
13.将所述图像特征分别与各子类的小样本特征进行融合，得到各子类的融合后的特
征；
14.将所述目标图像输入执行所述更新后的小样本分类模型，得到所述目标图像的小样本特征；
15.基于所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度，确定所述车辆的最终分类结果。
16.可选地，所述基于所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度，确定所述车辆的最终分类结果，包括：
17.在所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度大于相似度阈值的情况下，从所述各子类的融合后的特征中确定与所述小样本特征相似度最高的融合后的特征；
18.将所述相似度最高的融合后的特征对应的子类和所述第一级分类信息作为所述最终分类结果。
19.可选地，所述第三训练集包括多张样本车辆图像和每张样本车辆图像的至少两种分类结果；
20.使用所述第三训练集构建的元训练任务训练所述小样本分类模型的过程包括：
21.从所述至少两种分类结果中随机确定n种分类结果；所述n为正整数；
22.对于每种分类结果，从所述分类结果对应的样本车辆图像中抽取k张样本车辆图像作为支持集，并从所述分类结果对应的剩余的样本车辆图像中抽取p张样本车辆图像作为查询集，得到所述元训练任务；所述k和p为正整数；
23.利用预先创建的神经网络模型在所述元训练任务上进行迭代学习，直至学习后的神经网络模型收敛，得到所述小样本分类模型。
24.可选地，所述将所述支持集输入预先训练的小样本分类模型执行元测试任务，得到所述第一级分类信息下各子类的小样本特征和更新后的小样本分类模型，包括：
25.使用所述预先训练的小样本分类模型对所述支持集进行预测，得到预测值；
26.将所述预测值和所述支持集对应的子类标签进行对比，得到预测损失值；
27.基于所述预测损失值对所述预先训练的小样本分类模型进行参数更新，得到所述更新后的小样本分类模型；
28.使用所述更新后的小样本分类模型对所述支持集进行小样本特征提取，得到所述第一级分类信息下各子类的小样本特征。
29.可选地，所述基础分类模型包括特征提取网络、与所述特征提取网络分别相连的第一分支网络、第二分支网络和第三分支网络、以及与所述第一分支网络、第二分支网络和第三分支网络相连的融合层；
30.所述特征提取网络用于对所述目标图像进行特征提取，得到特征图；
31.所述第一分支网络用于将所述特征提取网络输出的特征图直接输入至所述融合层；
32.所述第二分支网络用于对不同通道的特征图提取特征后级联，得到级联后的特征图；
33.所述第三分支网络用于按照预先学习的通道权重为所述特征图的不同通道赋予权重信息，得到更新后的特征图；
34.所述融合层用于对所述特征图、所述级联后的特征图和所述更新后的特征图进行特征融合，得到所述图像特征。
35.可选地，所述第二分支网络包括依次相连的全局平均特征提取层、通道层和通道匹配层；
36.所述全局平均特征提取层用于提取所述特征图的全局平均特征；
37.所述通道层用于分别提取不同的通道特征，并将提取到的不同通道的特征级联；
38.所述通道匹配层用于调整级联后的特征的通道数，以使调整后的通道数与所述第一分支网络的通道数和所述第三分支网络的通道数匹配。
39.可选地，所述第三分支网络包括依次相连的最大池化层、全连接层、激活函数层和通道匹配层；
40.所述最大池化层用于减小所述特征图的尺寸；
41.所述全连接层用于将减小后的特征图按照通道数进行排列；
42.所述激活函数层用于为排列后得到的不同通道的特征图赋予权重信息；
43.所述通道匹配层用于调整权重调整后的特征的通道数，以使调整后的通道数与所述第一分支网络的通道数和所述第二分支网络的通道数匹配。
44.第二方面，提供一种电子设备，所述设备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提供的车辆分类方法。
45.第三方面，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，所述程序被处理器执行时用于实现第一方面提供的车辆分类方法。
46.本技术的有益效果至少包括：通过将目标图像输入预先训练的基础分类模型，得到目标图像的图像特征、目标图像中车辆的分类结果和分类结果的置信度，每辆车辆的分类结果包括m级分类信息；在置信度小于预设阈值的情况下，从第二训练集中获取属于分类结果中的第一级分类信息的样本车辆图像，得到支持集；将支持集输入预先训练的小样本分类模型执行元测试任务，得到第一级分类信息下各子类的小样本特征和更新后的小样本分类模型；基于图像特征和各子类的小样本特征，确定车辆的最终分类结果；可以解决训练分类模型的训练数据少，导致分类模型的鲁棒性不足、车辆分类结果容易出错的问题；由于在基础分类模型分类不准确的情况下，可以继续使用元学习的方式提取小样本特征，由于元学习的方式提取到的小样本特征较准确，因此，结合基础分类模型的特征和小样本分类模型的特征确定最终分类结果，可以提高车辆分类的准确率。
47.另外，通过将基础分类模型的特征和小样本分类模型的特征进行融合，以确定车型分类，可以在车辆分类时结合两个模型的分类结果进行确定，可以进一步提高车辆分类的准确率。
48.另外，通过在目标图像的小样本特征和各子类的融合后的特征之间的相似度大于相似度阈值的情况下，将相似度最高的融合后的特征对应的子类和第一级分类信息作为最终分类结果；可以避免所有融合后的特征与目标图像的小样本特征均相似度较小时，输出错误的分类结果的问题；可以保证将大于相似度阈值、且相似度最高的融合后的特征对应的分类结果输出，提高车辆分类的准确性。
49.另外，通过设计包括三个网络分支的基础分类网络，可以在保持原始输入信息的同时，能获取更丰富的细粒度特征，同时为每个特征通道赋予权重信息，进而提升车辆分类
模型的准确率。
50.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，并可依照说明书的内容予以实施，以下以本技术的较佳实施例并配合附图详细说明如后。
【附图说明】
51.图1是本技术一个实施例提供的车辆分类方法的流程图；
52.图2是本技术一个实施例提供的基础分类模型的示意图；
53.图3是本技术一个实施例提供的不同分类结果的车辆数据的分布图；
54.图4本技术一个实施例提供的车辆分类过程的示意图；
55.图5是本技术一个实施例提供的车辆分类装置的框图；
56.图6是本技术一个实施例提供的电子设备的框图。
【具体实施方式】
57.下面结合附图和实施例，对本技术的具体实施方式做进一步详细描述。以下实施例用于说明本技术，但不用来限制本技术的范围。
58.首先，对本技术涉及的若干名词进行介绍。
59.元学习(meta learning)：是利用之前学习过的任务帮助学习新的任务。因此，需要元训练在之前的任务中学习一个先验知识(在本技术中即为预先训练的小样本分类模型)，然后利用这个先验知识来帮助学习新的元测试任务。
60.n-way k-shot分类：n-way就是n-路或n-类，k-shot就是k-次或k-个；是指用少量样本构建分类任务。主要应用于少样本学习(few-shot learning)领域样本数据不足的情况，如元学习领域。
61.可选地，本技术以各个实施例提供的车辆分类方法用于电子设备中为例进行说明，该电子设备为终端或服务器，终端可以为手机、计算机、平板电脑、扫描仪、电子眼、监控摄像头等，本实施例不对电子设备的类型作限定。
62.图1是本技术一个实施例提供的车辆分类方法的流程图，该方法至少包括以下几个步骤：
63.步骤101，获取目标图像。
64.目标图像是指待进行车辆分类的图像，该目标图像可以是对车辆行驶环境进行采集得到的一张图像，或者是对车辆行驶场景进行拍摄得到的视频流中的一帧图像，本实施例不对目标图像的来源作限定。
65.可选地，目标图像可以包括车辆的图像，或者不包括车辆的图像；在包括车辆的图像的情况下，目标图像可以包括多辆车辆的图像，或者包括一辆车辆的图像。
66.本技术中，车辆可以为机动车、自行车、或者电动车，本实施例不对车辆的类型作限定。
67.步骤102，将目标图像输入预先训练的基础分类模型，得到目标图像的图像特征、目标图像中车辆的分类结果和分类结果的置信度。
68.其中，每辆车辆的分类结果包括m级分类信息，m为大于1的正整数。第一级分类信息包括m-1级子类，且m-1级子类的数量为至少一个。换言之，对于每种第一级分类信息，该
第一级分类信息下的m-1级分类信息均为该第一级分类信息的子类。
69.比如：车辆的分类结果包括三级分类信息，第一级分类信息为车辆的大品牌、第二级分类信息为小品牌、第三级分类信息为年款。
70.大品牌的分类包括：甲、乙、丙；
71.小品牌的分类包括：甲下的x1系列和x2系列、乙下的e系列和v系列、丙下的a系列和b系列；
72.年款的分类包括：小品牌x1的2012款和2013款、小品牌x2的2020款、小品牌e系列的2010款e260l和2010款e300l、小品牌v系列的2018款和2017款、小品牌a系列的2015款和2016款、小品牌b系列的2019款200t和2019款280t。
73.上述车辆分类结果仅是示意性地，在实际实现时，车辆分类结果还可以包括其它分类，比如：车辆颜色、车辆车型等，本实施例不对的车辆分类方式作限定。
74.基础分类模型是使用第一训练集训练得到的，该第一训练集包括样本车辆图像和样本车辆图像中每辆车辆的m级分类标签。
75.本实施例中，第一训练集中每种m级分类标签对应的样本车辆图像大于预设数量阈值。其中，预设数量阈值可以为50、60等，本实施例不对预设数量阈值的取值作限定。
76.示意性地，第一训练集的获取过程包括：获取多张样本车辆图像，对多张样本车辆图像进行分类，得到每张样本车辆图像的m级分类标签；然后，将样本车辆图像的数量超过预设数量阈值的分类结果作为大样本类别，得到第一训练集。
77.基础分类模型是使用第一训练集训练得到的。换言之，基础分类模型是使用大样本类别训练得到的。
78.可选地，基础分类模型是对传统的分类模型进行改进后得到的。具体地，基础分类模型为了提升大样本车型分类模型的特征表达而设计，主要是基于改进版的残差模块并添加独特的注意力模块来获取更加细粒度的特征。
79.参考图2，基础分类模型包括特征提取网络21、与特征提取网络21分别相连的第一分支网络22、第二分支网络23和第三分支网络24、以及与第一分支网络22、第二分支网络23和第三分支网络24相连的融合层25。
80.其中，特征提取网络用于对目标图像进行特征提取，得到特征图。可选地，特征提取网络可以称为主干网络，特征提取网络可以由多个残差模块组成。
81.第一分支网络用于将特征提取网络输出的特征图直接输入至融合层。第一分支网络也可以称为原始分支网络，第一分支网络将特征提取网络与融合层相连，这样，可以保持特征图的完整性。
82.第二分支网络用于对不同通道的特征图提取特征后级联，得到级联后的特征图。第二分支网络也可以称为多特征网络。参考图2，第二分支网络包括依次相连的全局平均特征提取层、通道层和通道匹配层。
83.其中，全局平均特征提取层用于提取特征图的全局平均特征。示意性地，全局特征提取层包括1*1的卷积层和与该1*1的卷积层相连的平均池化(average pool)层。
84.通道层用于分别提取不同的通道特征，并将提取到的不同通道的特征级联。示意性地，通道层包括与全局平均特征提取层分别相连的多个卷积层，不同卷积层中的卷积核数量不同，如图2中以
×
1、
×
2、
×
3和
×
4表示的不同的卷积核数量；在不同卷积层提取得到
相应通道的特征后，将各个通道的特征级联，即将图2中的y1、y2、y3和y4级联，得到级联后的特征。这样，第二分支网络能够最终获取更加丰富的细粒度特征，通过该第二分支网络能非常有效的提升车型分类在细粒度特征的表示，如车标、车身颜色等。
85.通道匹配层用于调整级联后的特征的通道数，以使调整后的通道数与第一分支网络的通道数和第三分支网络的通道数匹配。示意性地，通道匹配层通过一个1
×
1的卷积层实现。
86.第三分支网络用于按照预先学习的通道权重为特征图的不同通道赋予权重信息，得到更新后的特征图。参考图2，第三分支网络包括依次相连的最大池化(max pool)层、全连接层、激活函数(sigmoid)层和通道匹配层。
87.其中，最大池化层用于减小特征图的尺寸。全连接层用于将减小后的特征图按照通道数进行排列。
88.激活函数层用于为排列后得到的不同通道的特征图赋予权重信息。激活函数层预先为每个通道学习权重表达。
89.通道匹配层用于调整权重调整后的特征的通道数，以使调整后的通道数与第一分支网络的通道数和第二分支网络的通道数匹配。示意性地，通道匹配层通过一个1
×
1的卷积层实现。
90.融合层用于对特征图、级联后的特征图和更新后的特征图进行特征融合，得到图像特征。
91.经过上述内容可知，本实施例提供的基础分类模型可以在保持原始输入信息的同时，能获取更丰富的细粒度特征，同时为每个特征通道赋予权重信息，进而提升车辆分类模型的准确率。
92.可选地，由于本步骤的基础分类模型主要是基于大样本数据来拟合车辆分类的真实分布，所以测试时针对大样本数据效果较好，但实际上车辆数据分布如图3所示，这些数据是明显的超长尾分布，这种分布必然会导致尾部数据即小样本数据的分类效果变差。
93.基于此，本实施例中，还通过基础分类模型的softmax层输出的置信度(或者说是标准差)来区分大样本数据和小样本数据，置信度小于预设阈值(如0.9)，说明分类误差较大，输入的目标图像为小样本，执行步骤103；置信度大于或等于预设阈值(如0.9)，说明分类误差较小，输入的目标图像为大样本，直接输出分类结果。换言之，在置信度大于或等于预设阈值的情况下，将基础分类模型输出的分类结果作为车辆的最终分类结果。
94.本实施例中，以预设阈值为0.9为例进行说明，在实际实现时，预设阈值也可以为其它数值，比如：0.85等，本实施例不对预设阈值的取值作限定。
95.步骤103，在置信度小于预设阈值的情况下，从第二训练集中获取属于分类结果中的第一级分类信息的样本车辆图像，得到支持集；第二训练集包括各个第一级分类信息对应的车辆样本图像、以及每个车辆样本图像在对应的第一级分类信息下的子类标签。
96.由于基础分类网络输出的第一级分类信息通常较准确，基于此，为了降低小样本分类模型的计算量和准确性，本实施例中，将基础分类模型输出的第一级分类信息下的各个子类的样本车辆图像作为支持集。
97.第二训练集中的第一级分类信息下各个子类标签的类型与训练基础分类模型时使用的标签类型相对应。
98.步骤104，将支持集输入预先训练的小样本分类模型执行元测试任务，得到第一级分类信息下各子类的小样本特征和更新后的小样本分类模型；小样本分类模型使用第三训练集构建的元训练任务训练得到。
99.由于车型小样本数据较少，本实施例中还设计了车型小样本分类方法。小样本分类主要是收集大量且多类型数据，基于元学习的k-way-n-shot的形式，该形式主要是在分类模型数据端进行处理，主要是随机选择k个类别和n张训练数据，通过这个组成形式来训练小样本分类，目的是为了让分类模型适应这种小样本的数据形式，进而当验证时也同样输入这种组成形式的数据可以提取更适合的特征。
100.具体地，第三训练集包括多张样本车辆图像和每张样本车辆图像的至少两种分类结果；使用第三训练集构建的元训练任务训练小样本分类模型的过程包括：从至少两种分类结果中随机确定n种分类结果；对于每种分类结果，从分类结果对应的样本车辆图像中抽取k张样本车辆图像作为支持集，并从分类结果对应的剩余的样本车辆图像中抽取p张样本车辆图像作为查询集，得到元训练任务；利用预先创建的神经网络模型在元训练任务上进行迭代学习，直至学习后的神经网络模型收敛，得到小样本分类模型。
101.n、k和p为正整数。通常情况下，k的取值通常较小，比如：5张、10张等，换言之，k的取值远远小于大样本数据训练时的样本数量。
102.其中，第三训练集中的分类结果的类型与第二训练集中分类结果的类型相同或不同。比如：第三训练集中的分类结果的类型为大品牌-小品牌-车型1-年款；第二训练集中分类结果的类型为大品牌-车型1-年款，此时，第三训练集中的分类结果的类型与第二训练集中分类结果的类型不同。
103.元训练任务的数量为多个，且多个元训练任务被划分成若干批次依次输入预先创建的神经网络模型进行迭代学习。每个元训练任务均包括n种分类结果、每种分类结果对应支持集和查询集。
104.可选地，预先创建的神经网络模型可以为mobilenet小模型(即轻量级cnn)，或者也可以为其它轻量级网络，本实施例不对神经网络模型的类型作限定。
105.具体地，将支持集输入预先训练的小样本分类模型执行元测试任务，得到第一级分类信息下各子类的小样本特征和更新后的小样本分类模型，包括：使用预先训练的小样本分类模型对支持集进行预测，得到预测值；将预测值和支持集对应的子类标签进行对比，得到预测损失值；基于预测损失值对预先训练的小样本分类模型进行参数更新，得到更新后的小样本分类模型；使用更新后的小样本分类模型对支持集进行小样本特征提取，得到第一级分类信息下各子类的小样本特征。
106.步骤105，基于图像特征和各子类的小样本特征，确定车辆的最终分类结果。
107.可选地，基于图像特征和各子类的小样本特征，确定车辆的最终分类结果，包括：将图像特征分别与各子类的小样本特征进行融合，得到各子类的融合后的特征；将目标图像输入执行更新后的小样本分类模型，得到目标图像的小样本特征；基于目标图像的小样本特征和各子类的融合后的特征之间的相似度，确定车辆的最终分类结果。
108.其中，小样本特征和各子类的融合后的特征之间的相似度可以通过特征的欧式距离表示，欧式距离与相似度呈负相关关系。
109.在一个示例中，基于目标图像的小样本特征和各子类的融合后的特征之间的相似
度，确定车辆的最终分类结果，包括：在目标图像的小样本特征和各子类的融合后的特征之间的相似度大于相似度阈值的情况下，从各子类的融合后的特征中确定与小样本特征相似度最高的融合后的特征；将相似度最高的融合后的特征对应的子类和第一级分类信息作为最终分类结果。
110.可选地，在目标图像的小样本特征和各子类的融合后的特征之间的相似度均小于或等于相似度阈值的情况下，输出第一级分类信息，或者输出分类失败提示。
111.参考图4所示的车辆分类流程的一个示例，目标图像输入基础分类模型后，得到分类结果和该分类结果的置信度；若该置信度大于0.9，则输出该分类结果；若该置信度小于或等于0.9，则获取分类结果中第一级分类信息(图3中以车标为例)下各个子类对应样本车辆图像，得到支持集；将支持集和基础分类模型得到的图像特征均输入预先训练的小样本分类模型进行特征融合，以得到最终的分类结果。
112.综上所述，本实施例提供的车辆分类方法，通过将目标图像输入预先训练的基础分类模型，得到目标图像的图像特征、目标图像中车辆的分类结果和分类结果的置信度，每辆车辆的分类结果包括m级分类信息；在置信度小于预设阈值的情况下，从第二训练集中获取属于分类结果中的第一级分类信息的样本车辆图像，得到支持集；将支持集输入预先训练的小样本分类模型执行元测试任务，得到第一级分类信息下各子类的小样本特征和更新后的小样本分类模型；基于图像特征和各子类的小样本特征，确定车辆的最终分类结果；可以解决训练分类模型的训练数据少，导致分类模型的鲁棒性不足、车辆分类结果容易出错的问题；由于在基础分类模型分类不准确的情况下，可以继续使用元学习的方式提取小样本特征，由于元学习的方式提取到的小样本特征较准确，因此，结合基础分类模型的特征和小样本分类模型的特征确定最终分类结果，可以提高车辆分类的准确率。
113.另外，通过将基础分类模型的特征和小样本分类模型的特征进行融合，以确定车型分类，可以在车辆分类时结合两个模型的分类结果进行确定，可以进一步提高车辆分类的准确率。
114.另外，通过在目标图像的小样本特征和各子类的融合后的特征之间的相似度大于相似度阈值的情况下，将相似度最高的融合后的特征对应的子类和第一级分类信息作为最终分类结果；可以避免所有融合后的特征与目标图像的小样本特征均相似度较小时，输出错误的分类结果的问题；可以保证将大于相似度阈值、且相似度最高的融合后的特征对应的分类结果输出，提高车辆分类的准确性。
115.另外，通过设计包括三个网络分支的基础分类网络，可以在保持原始输入信息的同时，能获取更丰富的细粒度特征，同时为每个特征通道赋予权重信息，进而提升车辆分类模型的准确率。
116.图5是本技术一个实施例提供的车辆分类装置的框图。该装置至少包括以下几个模块：图像获取模块510、第一分类模块520、数据获取模块530、元测试模块540和第二分类模型550。
117.图像获取模块510，用于获取目标图像；
118.第一分类模块520，用于将所述目标图像输入预先训练的基础分类模型，得到所述目标图像的图像特征、所述目标图像中车辆的分类结果和所述分类结果的置信度，每辆车辆的分类结果包括m级分类信息，所述m为大于1的正整数；所述基础分类模型是使用第一训
练集训练得到的，所述第一训练集包括样本车辆图像和所述样本车辆图像中每辆车辆的m级分类标签；
119.数据获取模块530，用于在所述置信度小于预设阈值的情况下，从第二训练集中获取属于所述分类结果中的第一级分类信息的样本车辆图像，得到支持集；所述第二训练集包括各个第一级分类信息对应的车辆样本图像、以及每个车辆样本图像在对应的所述第一级分类信息下的子类标签；
120.元测试模块540，用于将所述支持集输入预先训练的小样本分类模型执行元测试任务，得到所述第一级分类信息下各子类的小样本特征和更新后的小样本分类模型；所述小样本分类模型使用第三训练集构建的元训练任务训练得到；
121.第二分类模型550，用于基于所述图像特征和所述各子类的小样本特征，确定所述车辆的最终分类结果。
122.相关细节参考上述方法实施例。
123.需要说明的是：上述实施例中提供的车辆分类装置在进行车辆分类时，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，即将车辆分类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分类装置与车辆分类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。
124.图6是本技术一个实施例提供的电子设备的框图。该设备至少包括处理器601和存储器602。
125.处理器601可以包括一个或多个处理核心，比如：4核心处理器、8核心处理器等。处理器601可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601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(central processing unit，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601可以在集成有gpu(graphics processing unit，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601还可以包括ai(artificial intelligence，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。
126.存储器602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602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602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601所执行以实现本技术中方法实施例提供的车辆分类方法。
127.在一些实施例中，电子设备还可选包括有：外围设备接口和至少一个外围设备。处理器601、存储器602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。
128.当然，电子设备还可以包括更少或更多的组件，本实施例对此不作限定。
129.可选地，本技术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分类方法。
130.可选地，本技术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分类方法。
131.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。
132.以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。