一种车辆识别方法、车辆识别模型创建方法及相关组件

摘要

本申请公开了一种车辆识别方法、车辆识别模型创建方法及相关组件，包括：获取包含目标车辆的待识别原始图像，并对待识别原始图像中的所述目标车辆进行检测，以得到待识别目标车辆图像；对待识别目标车辆图像进行特征提取，以得到待识别目标车辆图像的待识别特征信息；将待识别特征信息分别输入与目标车辆的不同属性类型对应的分类器，以便分类器对待识别特征信息中的特征进行识别，并输出目标车辆的不同属性类型的信息。本申请通过对待识别原始图像中的目标车辆进行检测得到待识别目标车辆图像，并对待识别目标车辆图像进行特征提取，进而利用与目标车辆的不同属性类型对应的分类器对该车辆进行识别，提高识别效率及精确度。

说明书

技术领域

本发明涉及人工智能技术领域，特别涉及一种车辆识别方法、车辆识别模型创建方法、装置、设备及存储介质。

背景技术

车辆特征识别技术是计算机人工智能、图像处理、计算机视觉、模式识别等相关技术的综合应用。目前涉车涉驾案件的快速增长，以及车辆结构化、智慧城市应用的不断加深，业界迫切希望提取更多元的车辆信息，除车牌号码外，还需要车身颜色、车辆品牌、车辆类型等。这些特征在刑事案件侦查、交通事故处理、交通肇事逃逸、违章车辆自动记录等领域具有广泛而迫切的应用需求。

目前，在停车场卡口车辆识别系统中，传统车辆特征识别对车辆属性类型中的小目标类型，如车标识别，主要依靠车标检测后再进行车标识别，需要检测的目标非常小，并且对车标倾斜角度大和图像质量差的样本识别困难，严重影响检测率和识别率，车款和车颜色也都是利用独立的网络进行识别，模块的训练目标不一致导致单个目标损失函数与宏观目标有偏差，这种误差的累积使得整个系统很难达到最佳性能。

发明内容

有鉴于此，本发明的目的在于提供一种车辆识别方法、车辆识别模型创建方法、装置、设备及存储介质，能够避免对车辆的小目标的检测和多个模型的误差积累问题，从而提高识别效率及精确度。其具体方案如下：

本申请的第一方面提供了一种车辆识别方法，包括：

获取包含目标车辆的待识别原始图像，并对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像；

对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息；

将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息。

可选的，所述对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像，包括：

利用基于深度学习算法构建的目标检测模型对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。

可选的，所述利用基于深度学习算法构建的目标检测模型对所述待识别原始图像中的所述目标车辆进行检测，包括：

利用基于SSD算法构建的目标检测模型对所述待识别原始图像中的所述目标车辆进行检测。

可选的，所述对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息，包括：

利用ResNet网络对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息。

可选的，所述将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息，包括：

将所述待识别特征信息分别输入对车标进行识别的第一分类器、对车型进行识别的第二分类器和对车辆颜色进行识别的第三分类器，以便所述第一分类器对所述待识别特征信息中的车标特征进行识别、所述第二分类对所述待识别特征信息中的车型特征进行识别和所述第三分类器器对所述待识别特征信息中的车辆颜色特征进行识别，并输出所述目标车辆的车标信息、车型信息和车辆颜色信息。

可选的，所述分类器包括卷积层、激活层、全连接层和softmax层。

本申请的第二方面提供了一种车辆识别模型创建方法，包括：

获取目标车辆样本图像，并利用所述目标车辆样本图像中的目标车辆的不同属性类型的信息对所述目标车辆样本图像进行标注，以得到的相应的样本标签；

利用所述目标车辆样本图像及相应的所述样本标签构建训练集；

利用所述训练集对基于深度学习算法构建的车辆识别模型进行训练，得到训练后的所述车辆识别模型，以利用所述训练后的所述车辆识别模型对待识别目标车辆图像进行识别；其中，所述车辆识别模型包括特征提取模块和特征识别模块，所述特征提取模块用于对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息，所述特征识别模块用于将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述待识别目标车辆图像对应的目标车辆的不同属性类型的信息。

本申请的第三方面提供了一种车辆识别装置，包括：

获取模块，用于获取包含目标车辆的待识别原始图像，并对所述待识别图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像；

特征提取模块，用于对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息；

特征识别模块，用于将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息。

本申请的第四方面提供了一种电子设备，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述车辆识别方法。

本申请的第五方面提供了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计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述车辆识别方法。

本申请中，先获取包含目标车辆的待识别原始图像，并对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。然后对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息。最后将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息。本申请通过对待识别原始图像中的目标车辆进行检测得到待识别目标车辆图像，并对待识别目标车辆图像进行特征提取，进而利用与目标车辆的不同属性类型对应的分类器对该车辆的多个属性进行识别，避免对车辆的小目标的检测和多个模型的误差积累问题，从而提高识别效率及精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种车辆识别方法流程图；

图2为本申请提供的一种具体的车辆识别方法示意图；

图3为本申请提供的一种车辆识别模型创建方法流程图；

图4为本申请提供的一种车辆识别模型的完整的训练样本；

图5为本申请提供的一种车辆识别模型的不完整的训练样本；

图6为本申请提供的一种车辆识别模型的网络结构示意图；

图7为本申请提供的一种车辆识别装置结构示意图；

图8为本申请提供的一种车辆识别电子设备结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现有的停车场卡口车辆识别系统中，车辆特征识别对车辆属性类型中的小目标类型，如车标识别，主要依靠车标检测后再进行车标识别，需要检测的目标非常小，并且对车标倾斜角度大和图像质量差的样本识别困难，严重影响检测率和识别率，车款和车颜色也都是利用独立的网络进行识别，模块的训练目标不一致导致单个目标损失函数与宏观目标有偏差，这种误差的累积使得整个系统很难达到最佳性能。针对上述技术缺陷，本申请提供一种车辆识别方案，通过对待识别原始图像中的目标车辆进行检测得到待识别目标车辆图像，并对待识别目标车辆图像进行特征提取，进而利用与目标车辆的不同属性类型对应的分类器对该车辆的多个属性进行识别，避免对车辆的小目标的检测和多个模型的误差积累问题，从而提高识别效率及精确度。

图1为本申请实施例提供的一种车辆识别方法流程图。参见图1所示，该车辆识别方法包括：

S11：获取包含目标车辆的待识别原始图像，并对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。

本实施例中，首先获取包含目标车辆的待识别原始图像，然后对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。所述待识别原始图像可以为设置在停车场等卡口的摄像头实时拍摄到的目标车辆进出卡口时的图像，所述待识别原始图像中包含待检测的所述目标车辆，所述目标车辆在所述待识别原始图像中的显示越完整识别越准确。由于所述待识别原始图像中可能存在与车辆识别无关的信息，加大车辆识别的难度降低识别效率，因此需要进一步检测出所述待识别原始图像中的所述目标车辆的信息，例如所述目标车辆的坐标信息等，也即对所述目标车辆进行定位，基于坐标信息获取到所述目标车辆的更加细化的图像，也即与所述待识别图像对应的待识别目标车辆图像，对所述待识别目标车辆图像进行识别的效率及准确度都相对要高。

S12：对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息。

S13：将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息。

本实施例中，首先对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息。现有的特征提取算法都可实现上述功能，例如ResNet(Residual Neural Network)网络、YOLO(You Only Look Once)算法等，本实施例对此不做限定。接着将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息。不难理解，对所述待识别目标车辆图像进行特征提取后得到的所述待识别特征信息包括所述目标车辆的不同属性类型的特征信息，如车标信息、车型信息、车颜色信息等。上述不同属性类型的特征信息提取共用一个特征提取网络，在此基础上，通过与所述目标车辆的不同属性类型对应的分类器分支进行特征识别，例如与所述目标车辆的车标识别对应的分类器、与所述目标车辆的车型识别对应的分类器、与所述目标车辆的车颜色识别对应的分类器等，所述待识别特征信息通过上述各分类器后输出所述目标车辆的车标信息、车型信息、车颜色信息等。

可见，本申请实施例先获取包含目标车辆的待识别原始图像，并对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。然后对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息。最后将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息。本申请实施例通过对待识别原始图像中的目标车辆进行检测得到待识别目标车辆图像，并对待识别目标车辆图像进行特征提取，进而利用与目标车辆的不同属性类型对应的分类器对该车辆的多个属性进行识别，避免对车辆的小目标的检测和多个模型的误差积累问题，从而提高识别效率及精确度。

图2为本申请实施例提供的一种具体的车辆识别方法流程图。参见图2所示，该车辆识别方法包括：

S21：获取包含目标车辆的待识别原始图像。

本实施例中，关于步骤S21的具体实施过程可以参考前述实施例中公开的具体内容，在此不再进行赘述。

S22：利用基于深度学习算法构建的目标检测模型对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。

S23：利用ResNet网络对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息。

本实施例中，在获取到所述待识别原始图像后，利用基于深度学习算法构建的目标检测模型对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。更进一步的，本实施例利用基于SSD算法构建的目标检测模型对所述待识别原始图像中的所述目标车辆进行检测。SSD网络可以快速检测并识别所述待识别原始图像中的多个目标，从而得到与所述待识别原始图像对应的待识别目标车辆图像。

本实施例中，提取所述待识别目标车辆图像的特征这一步骤，利用ResNet网络对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息，具体可以利用ResNet18、ResNet50等，本实施例对此不进行限定。

S24：将所述待识别特征信息分别输入对车标进行识别的第一分类器、对车型进行识别的第二分类器和对车辆颜色进行识别的第三分类器，以便所述第一分类器对所述待识别特征信息中的车标特征进行识别、所述第二分类对所述待识别特征信息中的车型特征进行识别和所述第三分类器器对所述待识别特征信息中的车辆颜色特征进行识别，并输出所述目标车辆的车标信息、车型信息和车辆颜色信息。

本实施例中，主要是对所述目标车辆的车辆、车型及车颜色进行识别，因此，将ResNet网络提取到的待识别特征信息分别输入对车标进行识别的第一分类器、对车型进行识别的第二分类器和对车辆颜色进行识别的第三分类器，所述第一分类器、第二分类器和第三分类器分别对所述待识别特征信息中的所述目标车辆的车标特征信息、车型特征信息及车颜色特征信息进行识别分类，最终输出相应的车标信息、车型信息和车辆颜色信息。可以理解的是，当还需要识别出所述目标车辆的其他属性类型的信息时，可以添加相应的分类器，从而对所述目标车辆的其他属性类型信息进行识别分类，以得到所述目标车辆的结构化信息。

可见，本申请实施例先利用基于深度学习算法构建的目标检测模型对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像，然后利用ResNet网络对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息，最后利于对车标进行识别的第一分类器、对车型进行识别的第二分类器和对车辆颜色进行识别的第三分类器分别对所述目标车辆的车标、车型和车颜色进行识别，降低了对车辆的小目标检测误差，提高了检测精确度。另外，上述方法适用于更泛化的图像数据，对于车辆倾斜角度大和车辆特征不明显的样本也可以很好识别。

图3为本申请实施例提供的一种车辆识别模型创建方法流程图。参见图3所示，该车辆识别模型创建方法包括：

S31：获取目标车辆样本图像，并利用所述目标车辆样本图像中的目标车辆的不同属性类型的信息对所述目标车辆样本图像进行标注，以得到的相应的样本标签。

S32：利用所述目标车辆样本图像及相应的所述样本标签构建训练集。

本实施例中，获取目标车辆样本图像，并利用所述目标车辆样本图像中的目标车辆的不同属性类型的信息对所述目标车辆样本图像进行标注，以得到的相应的样本标签。在一种实施例中，也即所述目标车辆样本图像中的车辆较为完整，所述目标车辆图像如图4(b)所示，该情况下，训练出的模型识别精确度较高，具体的获取目标车辆样本图像的过程包括：准备停车场卡口的车辆图片数据，图4(a)即为标准卡口车辆图片数据，红色框为标注的目标车辆框位置，图4(b)为图4(a)中红色框截取的目标车辆样本图片。在样本量较大的情况下，也可以利用训练好的SSD车辆检测模型对图4(a)中的车辆进行定位，从而得到图4(b)所示的目标车辆样本图像，另外，也可以利用无水印的卡口图像如图4(a)中的图像和车辆框坐标对所述SSD车辆检测模型进行训练，得到训练后的所述SSD车辆检测模型。本实施例中所述目标车辆的不同属性类型的信息为车标、车款和车颜色，图4(a)中绿色字为标注的目标车辆的车标(奔驰)，车款(轿车)和车颜色(灰)，也即所述样本标签。在另一种实施例中，也即所述目标车辆样本图像中的车辆不完整，所述目标车辆图像如图5(b)所示，由于端到端的识别方法对数据的要求不高，对于车辆完整和车辆不完整的情况都适用，因此获取到的卡口图像如图5(a)所示中的车辆可以是不完整的，此时该目标车辆的所述样本标签为图5(a)中的标注信息：车标(宝马)，车款(轿车)和车颜色(红)。

本实施例中对端到端车辆识别模型进行训练的数据为截取的车辆图片和标注的车标、车款和车颜色的类别信息。因此，利用图4(b)中的所述目标车辆样本图像及图4(a)中的所述样本标签构建训练集，或者利用图5(b)中的所述目标车辆样本图像及图5(a)中的所述样本标签构建训练集，其中，所述4(b)中的所述目标车辆样本图像和5(b)中的所述目标车辆样本图像均是进行尺寸调整后的图像，符合对端到端车辆识别模型的输入图像尺寸要求。本实施例中，所述车辆识别模型的输入图像的尺寸为224*224*3。

S33：利用所述训练集对基于深度学习算法构建的车辆识别模型进行训练，得到训练后的所述车辆识别模型，以利用所述训练后的所述车辆识别模型对待识别目标车辆图像进行识别；其中，所述车辆识别模型包括特征提取模块和特征识别模块，所述特征提取模块用于对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息，所述特征识别模块用于将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述待识别目标车辆图像对应的目标车辆的不同属性类型的信息。

本实施例中，以车标、车型和车颜色的识别为例，端到端车辆识别模型结构如图6所示，输入为224*224*3的RGB车辆图像，通过ResNet18网络提取车辆特征，再经过三个不同的分类器分支(分别是与车标、车型和车颜色识别对应的分类器)后输出车辆特征结果。其中，所述分类器由卷积层、RELU(线性整流函数)激活层和全连接层组成，最后接Softmax函数求出对应类别的概率。Softmax函数表示为：

其中V

训练时损失函数为交叉熵损失，公式为：

其中t

可见，本申请实施例通过获取目标车辆样本图像，并利用所述目标车辆样本图像中的目标车辆的不同属性类型的信息对所述目标车辆样本图像进行标注，以得到的相应的样本标签，然后利用所述目标车辆样本图像及相应的所述样本标签构建训练集，并利用所述训练集对基于深度学习算法构建的车辆识别模型进行训练，得到训练后的所述车辆识别模型。本实施例中的车辆识别模型为端到端的模型，利用该模型进行车辆识别能够有效避免对小目标的检测和多个模型的误差累积问题。

参见图7所示，本申请实施例还相应公开了一种车辆识别装置，包括：

获取模块11，用于获取包含目标车辆的待识别原始图像，并对所述待识别图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像；

特征提取模块12，用于对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息；

特征识别模块13，用于将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息。

可见，本申请实施例先获取包含目标车辆的待识别原始图像，并对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。然后对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息。最后将所述待识别特征信息分别输入与所述目标车辆的不同属性类型对应的分类器，以便所述分类器对所述待识别特征信息中的特征进行识别，并输出所述目标车辆的不同属性类型的信息。本申请实施例通过对待识别原始图像中的目标车辆进行检测得到待识别目标车辆图像，并对待识别目标车辆图像进行特征提取，进而利用与目标车辆的不同属性类型对应的分类器对该车辆的多个属性进行识别，避免对车辆的小目标的检测和多个模型的误差积累问题，从而提高识别效率及精确度。

在一些具体实施例中，所述获取模块11，具体用于利用基于深度学习算法构建的目标检测模型对所述待识别原始图像中的所述目标车辆进行检测，以得到与所述待识别原始图像对应的待识别目标车辆图像。

在一些具体实施例中，所述特征提取模块12，具体用于利用ResNet网络对所述待识别目标车辆图像进行特征提取，以得到所述待识别目标车辆图像的待识别特征信息。

在一些具体实施例中，所述特征识别模块13，具体用于将所述待识别特征信息分别输入对车标进行识别的第一分类器、对车型进行识别的第二分类器和对车辆颜色进行识别的第三分类器，以便所述第一分类器对所述待识别特征信息中的车标特征进行识别、所述第二分类对所述待识别特征信息中的车型特征进行识别和所述第三分类器器对所述待识别特征信息中的车辆颜色特征进行识别，并输出所述目标车辆的车标信息、车型信息和车辆颜色信息。

进一步的，本申请实施例还提供了一种电子设备。图8是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图8为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的车辆识别方法中的相关步骤。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及目标车辆的数据223等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量目标车辆的数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的车辆识别方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20收集到的目标车辆的图像数据。

进一步的，本申请实施例还公开了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的车辆识别方法步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的车辆识别方法、车辆识别模型创建方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。