1.一种交通设备的属性识别方法，其特征在于，包括：
获取多个交通设备作为原始样本集，并对所述原始样本集中的每个交通设备进行拍照，获取的图片作为所述原始样本集中的图片；
对所述原始样本集中的每个图片执行尺寸统一化操作，并将所述原始样本集的尺寸统一化操作生成的操作结果中的每个图片执行数量自增强操作；
对数量自增强操作生成的操作结果中的每个图片RGB通道上的像素值执行数值中心化操作以及数值缩小化操作，得到训练样本集；
对所述训练样本集执行深度网络训练，生成所述交通设备的属性识别模型；
将测试图片输入所述交通设备的所述属性识别模型，生成对应的所述交通设备的属性概率向量，并根据所述属性概率向量生成所述交通设备的属性识别结果。
2.根据权利要求1所述的交通设备的属性识别方法，其特征在于，所述获取多个交通设备作为原始样本集包括：在预设时间段内对所述多个交通设备进行采样，获取所述多个交通设备作为原始样本集。
3.根据权利要求1所述的交通设备的属性识别方法，其特征在于，所述对所述训练样本集执行深度网络训练，生成所述交通设备的属性识别模型包括：采用包括五个卷积层、五个池化层和三个全连接层的网络结构对所述训练样本集进行深度网络训练，生成所述交通设备的属性识别模型。
4.一种交通设备的属性识别装置，其特征在于，包括：
原始样本集获取模块，用于获取多个交通设备作为原始样本集，并对所述原始样本集中的每个交通设备进行拍照，获取的图片作为所述原始样本集中的图片；
操作模块，用于对所述原始样本集中的每个图片执行尺寸统一化操作，并将所述原始样本集的尺寸统一化操作生成的操作结果中的每个图片执行数量自增强操作；
训练样本集获取模块，用于对数量自增强操作生成的操作结果中的每个图片RGB通道上的像素值执行数值中心化操作以及数值缩小化操作，得到训练样本集；
模型训练模块，用于对所述训练样本集执行深度网络训练，生成所述交通设备的属性识别模型；
模型测试模块，用于将测试图片输入所述交通设备的所述属性识别模型，生成对应的所述交通设备的属性概率向量，并根据所述属性概率向量生成所述交通设备的属性识别结果。
5.根据权利要求4所述的交通设备的属性识别装置，其特征在于，所述原始样本集获取模块包括：采样模块，用于在预设时间段内对所述多个交通设备进行采样，获取所述多个交通设备作为原始样本集。
6.根据权利要求4所述的交通设备的属性识别装置，其特征在于，所述模型训练模块还用于采用包括五个卷积层、五个池化层和三个全连接层的网络结构对所述训练样本集进行深度网络训练，生成所述交通设备的属性识别模型。