CN104504392A - 一种车辆分类方法及系统 - Google Patents

Abstract

本发明公开了一种车辆分类方法及系统，其中车辆分类方法包括：将预先设置的第一训练集确定为目标训练集，确定目标训练集中所有移动目标的投影矩阵，并根据投影矩阵建立特征空间；比较所有移动目标及预设类移动目标在特征空间中的坐标；根据比较结果，将所有移动目标归类为第一移动目标和第二类移动目标，并将第一类移动目标保存至第二训练集，第二移动目标保存至第三训练集；分别将第二训练集和第三训练集确定为目标训练集，将第一类移动目标和第二类移动目标进一步归类。按照移动目标的类型将训练集详细的分为了六个子训练集，根据六个子训练集中的移动目标信息更为具体的判断出待分类的移动目标的类型，获得了更好的分类准确率。

Description

一种车辆分类方法及系统

技术领域

本发明涉及模式识别技术领域，更具体地说，涉及一种车辆分类方法及系统。

背景技术

车辆分类系统作为智能交通系统中的重要组成部分，主要与道路车辆的检测、追踪、技术与分类结合在一起的。传统的车型分类方法主要由两大类，其一是基于雷达与压力传感器的，其二是基于图像的车辆分类方法的。其中，基于图像的车辆分类方法随着计算机图形学的快速发展也得到了越来越多的应用。

现有的基于图像的车辆分类系统主要采用基于线性判别分析(LDA Linear Discriminant Analysis)和主成分分析(PCA Principal Component Analysis)进行分类的方法对获取到的视频序列进行分类，虽然现有的基于图像的车辆分类虽然避免了安装于维护传感器的昂贵代价，但基于LDA和PCA进行车辆分类的方法在对车辆进行分类的过程中，只对训练样本集进行了二阶统计信息，忽略了高阶统计信息，故利用基于LDA和PCA进行车辆分类的方法的分类准确率较低。

发明内容

有鉴于此，本发明的目的是提供一种车辆分类方法及系统，用以对高阶信息的统计，获得更好的分类准确率。

为了实现上述目的，本发明提供如下技术方案：

一方面，本发明提供了一种车辆分类方法，包括：

A、将预先设置的第一训练集确定为目标训练集，所述第一训练集中存储有多个待分类移动目标；

B、确定所述目标训练集中所有移动目标的投影矩阵，并根据所述投影矩阵建立特征空间；

C、比较所有移动目标及预设类移动目标在所述特征空间中的坐标；

D、根据比较结果，将所有移动目标归类为第一移动目标和第二类移动目标，并将所述第一类移动目标保存至所述第二训练集，所述第二移动目标保存至所述第三训练集；其中，所述第一类移动目标和第二类移动目标外形尺寸不同；

E、分别将所述第二训练集和第三训练集确定为目标训练集，执行上述步骤B～步骤C，并根据步骤C的结果，将所述第一类移动目标和第二类移动目标进一步归类。

优选的，所述步骤E中分别将所述第二训练集和第三训练集确定为目标训练集后包括：

确定所述目标训练集中所述移动目标的最佳投影方向。

优选的，所述步骤C包括：

获取所述移动目标在所述特征空间中的坐标；

比较所述坐标与预设类移动目标在所述特征空间中的坐标。

优选的，所述步骤A中的所述预先设置第一训练集包括：

获取视频序列；

判断视频序列中是否包含待分类的移动目标；

当所述视频序列中包含所述待分类的移动目标时，提取所述视频序列中的所述移动目标，并将提取出的所述移动目标保存至预先设置的第一训练集。

优选的，所述方法还包括：

步骤F：获取新的视频序列测试集，对所述训练集的分类进行验证。

另一方面，本发明还提供了一种车辆分类系统，包括：

设置单元，用于将预先设置的第一训练集确定为目标训练集，所述第一训练集中存储有多个待分类移动目标；

确定单元，用于确定所述目标训练集中所有移动目标的投影矩阵，并根据所述投影矩阵建立特征空间；

比较单元，用于比较所有移动目标及预设类移动目标在所述特征空间中的坐标；

保存单元，用于根据比较结果，将所有移动目标归类为第一移动目标和第二类移动目标，并将所述第一类移动目标保存至所述第二训练集，所述第二移动目标保存至所述第三训练集；其中，所述第一类移动目标和第二类移动目标外形尺寸不同；

归类单元，用于分别将所述第二训练集和第三训练集确定为目标训练集，并根据比较单元的比较结果，将所述第一类移动目标和第二类移动目标进一步归类。

优选的，所述归类单元包括：

第一确定单元，用于确定所述目标训练集中所述移动目标的最佳投影方向。

优选的，所述设置单元包括：

第一获取单元，用于获取视频序列；

判断单元，用于判断视频序列中是否包含待分类的移动目标；

第一保存单元，用于当所述视频序列中包含所述待分类的移动目标时，提取所述视频序列中的所述移动目标，并将提取出的所述移动目标保存至预先设置的第一训练集。

优选的，所述比较单元包括：

第二获取单元，用于获取所述移动目标在所述特征空间中的坐标；

第一比较单元，用于比较所述坐标与预设类移动目标在所述特征空间中的坐标。

优选的，所述系统还包括：

测试单元，用于获取新的视频序列测试集，对所述训练集的分类进行验证。与现有技术相比，本发明的优点如下：

本发明提供的车辆分类方法，按照移动目标的类型将训练集详细的分为了六个子训练集，使得在利用本发明提供的车辆分类方法进行车辆统计时，可以根据六个子训练集中的移动目标信息更为具体的判断出待分类的移动目标的类型，与现有技术中只对训练集进行二阶信息统计的分类方法相比，本发明车辆统计的方法通过对高阶信息的统计，获得了更好的分类准确率。

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为本发明实施例提供的一种车辆分类方法的第一种流程图；

图2为本发明实施例提供的一种车辆分类方法的第二种流程图；

图3为本发明实施例提供的一种车辆分类方法获取的视频监控图；

图4为本发明实施例提供的一种车辆分类方法的视频背景图；

图5为本发明实施例提供的一种车辆分类方法的一种移动目标提取的示意图；

图6为本发明实施例提供的一种车辆分类方法的第三种流程图；

图7为本发明实施例提供的一种车辆分类方法的第四种流程图；

图8为本发明实施例提供的一种车辆分类方法的一种完整分类过程的示意图；

图9为本发明实施例提供的一种采用LDA方法对移动目标进行分类结果示意图；

图10为本发明实施例提供的一种车辆分类方法的训练集与测试集的四类型车辆图像示例；

图11为本发明实施例提供的一种车辆分类系统的一种结构示意图；

图12为本发明实施例提供的一种车辆分类系统的一种子结构示意图；

图13为本发明实施例提供的一种车辆分类系统的另一种子结构示意图；

图14为本发明实施例提供的一种车辆分类系统的另一种结构示意图。

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。

请参考图1，其示出了本发明实施例提供的第一种车辆分类的方法，用于智能交通的车辆分类，可以包括以下步骤：

步骤A：将预先设置的第一训练集确定为目标训练集，第一训练集中存储有多个待分类移动目标。

步骤B：确定目标训练集中所有移动目标的投影矩阵，并根据投影矩阵建立特征空间。

步骤C：比较所有移动目标及预设类移动目标在特征空间中的坐标。

步骤D：根据比较结果，将所有移动目标归类为第一移动目标和第二类移动目标，并将第一类移动目标保存至第二训练集，第二移动目标保存至第三训练集；其中，第一类移动目标和第二类移动目标外形尺寸不同。

需要说明的是，分类法则可以具体为车辆的外形大小，或者车辆的型号，同时也可以是其他的分类类型。

步骤E：分别将第二训练集和第三训练集确定为目标训练集，执行上述步骤B～步骤C，并根据步骤C的结果，将第一类移动目标和第二类移动目标进一步归类。

本发明提供的车辆分类方法，按照移动目标的类型将训练集详细的分为了六个子训练集，使得在利用本发明提供的车辆分类方法进行车辆统计时，可以根据子训练集中的移动目标信息更为具体的判断出待分类的移动目标的类型，与现有技术中只对训练集进行二阶信息统计的分类方法相比，本发明车辆统计的方法通过对高阶信息的统计，获得了更好的分类准确率。

请参考图2，其示出了本发明实施例提供的一种车辆分类方法的第二种流程图，可以包括以下步骤：

步骤A11：获取视频序列。

通过图像监控技术交通道路上的车辆进行视频监控，并将监控得到的视频序列进行提取，其中，图3示出了本发明实施例中所获取的视频监控图。

需要说明的是，在获取视频序列时，需要先选定一固定背景，以选取的背景为基础，监控在所选背景下通过的车辆的情况。

步骤A12：判断视频序列中是否包含待分类的移动目标。

当视频序列中不含有视频信息时，即获取的是预定的监控位置处的背景。

步骤A13：当视频序列中包含待分类的移动目标时，提取视频序列中的移动目标，并将提取出的移动目标保存至预先设置的第一训练集。

当视频序列中含有待分类的移动目标时，通过对获取的图像进行高斯滤波、背景建模检测运动目标法、形态学滤波法等处理，提取视频序列中的移动目标。其中图4示出了本发明实施例提供的一种车辆分类方法的视频背景图；图5示出了本发明实施例提供的一种车辆分类方法的移动目标提取的示意图。

同时在获取的视频序列中将移动目标相应的区域进行高斯去噪后，并将其尺寸统一调整为30×20，并将其按类型分类保存到训练集中，训练集即为预设的第一训练集。

请参考图6，其示出了本发明实施例提供的一种车辆分类方法的第三种流程图，可以包括以下步骤：

步骤C11：获取移动目标在特征空间中的坐标。

步骤C12：比较坐标与预设类移动目标在特征空间中的坐标。

根据移动目标与预设移动目标在特征空间中的坐标位置，将移动目标分为两大类。需要说明的是，在分类的过程中，采用了加权K近邻分类器，将目标训练集中的移动目标按照分类法则分为大型车或者小型车，其中加权K近邻的定义如下：

${\mathrm{\ω}}_c=\underset{i=1,x_i\∈D_c}{\overset{K}{\mathrm{\Σ}}}\frac{1}{\left|\right|x_i-x\left|\right|}$

$L\left(x\right)=\underset{C}{\arg \max }{\mathrm{\ω}}_c$

该式子表示，在x的K个近邻中，统计使得ω_c最大的一个类别，即把x认为是该类别的。即将车辆按照外形大小分为大型车和小型车两大类。

需要说明的是，第二训练集中移动目标的的分类方法与第三训练集中移动目标的分类方法相同。即最终将大型车分为大货车和大客车，将小型车分为面包车/SUV和小轿车。其中，在第三训练集中移动目标进行分类后，还可以继续根据车辆分类法则继续对其进行更为详细的分类，其中，可以根据车辆的用途划分，也可以根据车辆的型号划分，还可以根据车辆内置座位的数 量划分，需要说明的是，除了上述的几种车辆划分类型，还可以是其他的类型。

请参考图7，其示出了本发明实施例提供的一种车辆分类方法的第四种流程图，可以包括以下步骤：

步骤A1：将预先设置的第一训练集确定为目标训练集，第一训练集中存储有多个待分类移动目标。

步骤B1：确定目标训练集中所有移动目标的投影矩阵，并根据投影矩阵建立特征空间。

首先，获取目标训练集中所有移动目标图像矩阵X₁。

需要说明的是，对于N幅同尺寸的车辆灰度图像，代表图像的像素值矩阵由K行L列共p＝K×L个像素值组成，向量化后p维向量x_i＝(x_i1,x_i2,…,x_ip)^T表示表示第i幅车辆图像，令N×p维矩阵X₁＝[x₁ x₂…x_N]^T表示N幅训练集车辆图像，即每一行代表一幅车辆图像。

将移动目标从高维特征空间投影到低维特征空间，一般采用PCA(Principal Component Analysis，基于主成分分析)方法，即使用PCA方法对获取的矩阵进行降维获取PCA特征空间。

对车辆图像矩阵X₁所有行求和后作均值操作，则有其中是所有训练车辆图像样本的均值，由此计算协方差矩阵与其特征值和对应的特征向量得：

$\mathrm{Cov}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{\mathrm{\μ}}){(x_i-\stackrel{\‾}{\mathrm{\μ}})}^T$

其中Cov表示协方差矩阵，其特征值为λ₁,λ₂,…,λ_N且有λ₁≥λ₂≥…≥λ_N，P为特征值相对应的特征向量组成的正交阵。通常选择前m个较大特征值所对应的特征向量Pm构成PCA特征子空间，则R_m＝X₁P_m是车辆图像矩阵在该特征子空间的坐标系数矩阵，R_m每一行r_i表示第i幅车辆图像在PCA特征子空间中的坐标位置，且是X₁的最小均方误差近似。

选择恰当的特征值个数m，滤除噪声，提升识别的准确率，同时提高程序的运行速度。其中，训练集车辆图像数量的选取，与降维时留取的特征值百分比的选择。过多的训练图像和保留的特征值百分比过大，会造成运行速 度变慢，在发明实施例中训练集每类型车辆图像选取10张，特征值选取百分比为90％，即可达到96％以上分类准确率。

特征空间设定车辆图像训练集中有两类型车(大型车与小型车)，N_i是第i类训练车型样本数目，N是总的训练样本数目，在上一步骤中得到的系数矩阵为R_m，表示N幅训练集车辆图像在上述m维PCA特征空间中的坐标位置，其中表示第i类车型的第k个车辆样本图像在上述样本在上述m维PCA特征空间中的坐标，μ_i代表第i类车型样本坐标的均值，μ代表所有训练集样本的坐标位置的均值。则定义样本的类内离散度矩阵S_W和类间离散度矩阵S_B分别为

$S_B=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{N}_I({\mathrm{\μ}}_i-\mathrm{\μ}){({\mathrm{\μ}}_i-\mathrm{\μ})}^T$

$S_W=\frac{1}{N}\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}(r_i^k-{\mathrm{\μ}}_i){(r_i^k-{\mathrm{\μ}}_i)}^T$

LDA(Linear Discriminant Analysis线性判别分析)方法通过最大化类内离散度矩阵S_W与离间离散度矩阵S_B的行列式比值来得到投影矩阵，即：

$D=\underset{D}{\arg }\max J_F\left(D\right)=\underset{D}{\arg }\max \frac{\left|D^T{S}_{B}D\right|}{\left|D^T{S}_{W}D\right|}$

求解上式的投影矩阵D相当于求解如下广义特征值方程(d_i即为D的列向量)：

S_Bd_i＝λ_iS_Wd_i

求解之后可以得到投影矩阵D，所以，训练集车辆图像矩阵X₁此时可近似表示为：

由此得到LDA特征空间基图像组成的矩阵为该矩阵里各行代表基图像，张成的空间为LDA特征空间即本文构造的特征空间，训练集车辆图像矩阵X₁在该空间中的坐标系数矩阵为R_mD^T。

步骤C1：比较所有移动目标及预设类移动目标在特征空间中的坐标。

步骤D1：根据比较结果，将所有移动目标归类为第一移动目标和第二类移动目标，并将第一类移动目标保存至第二训练集，第二移动目标保存至第三训练集；其中，第一类移动目标和第二类移动目标外形尺寸不同。

步骤E1：分别将第二训练集和第三训练集确定为目标训练集，执行上述步骤B1～步骤C1，并根据步骤C1的结果，将第一类移动目标和第二类移动目标进一步归类。

为了获取准确的分类结果，在进行高维分类的过程中，采用ICA(Independent components analysis，独立成分分析)方法获取第一训练集和第二训练集的最佳投影路径。

需要说明的是，ICA估计数据模型X＝AS，X为已知的数据矩阵，本专利中即是车辆图像样本矩阵。S的行之间统计独立，A是混合矩阵。利用经典的Fast ICA程序，可以在仅有X已知的情况下，求解S的值，

ICA2就是假设的行之间是统计独立的通过求解得到  $U^T={\mathrm{WR}}_m^T$ 并得：

$\begin{array}{c}{\hat{X}}_2^T=P_m{R}_m^T=P_m{W}^{-1}{U}^T\\ \⇒{\hat{X}}_2=U{\left(W^{-1}\right)}^T{P}_m^T\end{array}$

此刻为ICA2空间的基图像所组成矩阵，U为X在ICA2空间的系数矩阵，表示坐标，维数为N行m列，N对应N幅训练集图像样本，m对应ICA2空间的维数。 

用U代替构造特征空间时的LDA方法中的构建特征空间里的R_m，进行LDA分析求得矩阵D，即可得

$\hat{X}=\left({\mathrm{UD}}^T\right)\left(D{\left(W^{-1}\right)}^T{P}_m^T\right)$

此处，为FICA2特征空间即本专利里的特征空间的基图像组成的矩阵，(UD^T)为训练集车辆图像矩阵在该空间中的系数矩阵，即坐标。

对确定为大型车的车辆图像在特征空间中进行细分类确定具体类型。

对于任何一幅待分类的未知车辆图像，去噪声且向量化后为x，令其投影到特征空间得到表示x在特征空间的坐标，将该坐标分别与大客车和大货车训练图像样本的坐标进行比较，即可将其分类为大客车或者大货车，在比较的过程使用加权K近邻分类器。

需要说明的是，特征空间的构造过程与上述特征空间的额构造过程完全一致，区别在于特征空间的训练集车辆图像样本由大客车和大货车组成，而特征空间的训练集车辆图像样本由小轿车，SUV/面包车组成。其中图8示出了本发明实施例提供的一种车辆分类方法的完整分类过程的示意图。

步骤F1：获取新的视频序列测试集，对训练集的分类进行验证。

按照上述的车辆分类方法，采集新的视频序列，随上述方法进行验证，其中在将视频序列中的车辆进行第一训练集和第二训练集分类时，利用LDA方法对移动目标进行分类的结果可参见图9。图10示出了本发明实施例提供的训练集与测试集的四类型车辆图像示例。

其中，采用PCA方法和LAD方法对车辆按照分类规则进行二次分类的准确率达到了96％以上。其中，表1中详细的描述了利用PCA方法和LAD方法依次对车辆进行高阶信息统计后，各种车辆的分类准确率。

表1

需要说明的是，利用车辆分类方法进行车辆分类，在第一次进行分类时将车辆分为大型车和小型车；第二次根据第一次分类的结果，选择第二或特征空间对待分类车辆进行再次分类，得到待分类车辆的具体车型是小轿车还是大客车等。其中在每个特征空间的构造过程中都采用了PCA方法对目标训练集进行降维处理，进而求取不同的基向量构成不同的特征空间，即将待分类车辆图像与训练车辆图像分别与基向量矩阵相乘，分别得到他们在特征空间的坐标即位置关系，根据位置关系判断待分类车辆具体属于哪个类型。

与上述方法的实施例相对应，本发明实施例提供了一种车辆分类系统，用于智能交通系统中，请参考图11，车辆分类系统包括：设置单元11、确定单元12、比较单元13、保存单元14和归类单元15。其中：

设置单元11，用于将预先设置的第一训练集确定为目标训练集，第一训练集中存储有多个待分类移动目标。

其中，图12示出了本发明实施例提供的一种车辆分类系统的一种子结构示意图。设置单元11还可以包括：第一获取单元111、判断单元112和第一保存单元113。其中：

第一获取单元111，用于获取视频序列。

判断单元112，用于判断视频序列中是否包含待分类的移动目标。

第一保存单元113，用于当视频序列中包含待分类的移动目标时，提取视频序列中的移动目标，并将提取出的移动目标保存至预先设置的第一训练集。

确定单元12，用于确定目标训练集中所有移动目标的投影矩阵，并根据投影矩阵建立特征空间。

需要说明的是，特征空间用于将待分类车辆图像区分为大型车或小型车，它指的是该空间训练集中移动目标的矩阵。

比较单元13，用于比较所有移动目标及预设类移动目标在特征空间中的坐标。

其中，图13示出了本发明实施例提供的一种车辆分类系统的另一种子结构示意图。比较单元13还可以包括：获取单元131和第一比较单元132。其中：

第二获取单元131，用于获取移动目标在特征空间中的坐标。

第一比较单元132，用于比较坐标与预设类移动目标在特征空间中的坐标。

保存单元14，用于根据比较结果，将所有移动目标归类为第一移动目标和第二类移动目标，并将第一类移动目标保存至第二训练集，第二移动目标保存至第三训练集；其中，第一类移动目标和第二类移动目标外形尺寸不同。

归类单元15，用于分别将第二训练集和第三训练集确定为目标训练集，并根据比较单元的比较结果，将第一类移动目标和第二类移动目标进一步归类。

归类单元15还可以包括：第一确定单元151。其中：

第一确定单元151，用于确定目标训练集中移动目标的最佳投影方向。

需要说明的是，利用车辆分类方法进行车辆分类，在第一次进行分类时将车辆分为大型车和小型车；第二次根据第一次分类的结果，选择特征空间对待分类车辆进行再次分类，得到待分类车辆的具体车型是小轿车还是大客 车等。其中在每个特征空间的构造过程中都采用了PCA方法对训练集进行降维处理，进而求取不同的基向量构成不同的特征空间，即将待分类车辆图像与训练车辆图像分别与基向量矩阵相乘，分别得到他们在特征空间的坐标即位置关系，根据位置关系判断待分类车辆具体属于哪个类型。

本发明提供的车辆分类系统，按照移动目标的类型将训练集详细的分为了六个子训练集，使得在利用本发明提供的车辆分类方法进行车辆统计时，可以根据六个子训练集中的移动目标信息更为具体的判断出待分类的移动目标的类型，与现有技术中只对训练集进行二阶信息统计的分类方法相比，本发明车辆统计的方法通过对高阶信息的统计，获得了更好的分类准确率。

请参考图14，其示出了本发明实施例提供的一种车辆分类系统的另一种结构示意图，在图11的基础上，车辆分类系统还包括：测试单元16。其中：

测试单元16，用于获取新的视频序列测试集，对训练集的分类进行验证。

本发明实施例采用理论分析与实验验证的方法，利用测试集中的车辆对训练集中的车辆类型进行了验证，结果表明，本发明实施例提供的车辆分类系统，有效的提高了车辆分类的准确率，使准确率达到了96％以上。

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。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车辆分类方法，其特征在于，包括：

A、将预先设置的第一训练集确定为目标训练集，所述第一训练集中存储有多个待分类移动目标；

B、确定所述目标训练集中所有移动目标的投影矩阵，并根据所述投影矩阵建立特征空间；

C、比较所有移动目标及预设类移动目标在所述特征空间中的坐标；

D、根据比较结果，将所有移动目标归类为第一移动目标和第二类移动目标，并将所述第一类移动目标保存至所述第二训练集，所述第二移动目标保存至所述第三训练集；其中，所述第一类移动目标和第二类移动目标外形尺寸不同；

E、分别将所述第二训练集和第三训练集确定为目标训练集，执行上述步骤B～步骤C，并根据步骤C的结果，将所述第一类移动目标和第二类移动目标进一步归类。

2.根据权利要求1所述的方法，其特征在于，所述步骤E中分别将所述第二训练集和第三训练集确定为目标训练集后包括：

确定所述目标训练集中所述移动目标的最佳投影方向。

3.根据权利要求1所述的方法，其特征在于，所述步骤C包括：

获取所述移动目标在所述特征空间中的坐标；

比较所述坐标与预设类移动目标在所述特征空间中的坐标。

4.根据权利要求1所述的方法，其特征在于，所述步骤A中的所述预先设置第一训练集包括：

获取视频序列；

判断视频序列中是否包含待分类的移动目标；

当所述视频序列中包含所述待分类的移动目标时，提取所述视频序列中的所述移动目标，并将提取出的所述移动目标保存至预先设置的第一训练集。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

步骤F：获取新的视频序列测试集，对所述训练集的分类进行验证。

6.一种车辆分类系统，其特征在于，包括：

设置单元，用于将预先设置的第一训练集确定为目标训练集，所述第一训练集中存储有多个待分类移动目标；

确定单元，用于确定所述目标训练集中所有移动目标的投影矩阵，并根据所述投影矩阵建立特征空间；

比较单元，用于比较所有移动目标及预设类移动目标在所述特征空间中的坐标；

保存单元，用于根据比较结果，将所有移动目标归类为第一移动目标和第二类移动目标，并将所述第一类移动目标保存至所述第二训练集，所述第二移动目标保存至所述第三训练集；其中，所述第一类移动目标和第二类移动目标外形尺寸不同；

归类单元，用于分别将所述第二训练集和第三训练集确定为目标训练集，并根据比较单元的比较结果，将所述第一类移动目标和第二类移动目标进一步归类。

7.根据权利要求6所述的系统，其特征在于，所述归类单元包括：

第一确定单元，用于确定所述目标训练集中所述移动目标的最佳投影方向。

8.根据权利要求6所述的系统，其特征在于，所述设置单元包括：

第一获取单元，用于获取视频序列；

判断单元，用于判断视频序列中是否包含待分类的移动目标；

第一保存单元，用于当所述视频序列中包含所述待分类的移动目标时，提取所述视频序列中的所述移动目标，并将提取出的所述移动目标保存至预先设置的第一训练集。

9.根据权利要求6所述的系统，其特征在于，所述比较单元包括：

第二获取单元，用于获取所述移动目标在所述特征空间中的坐标；

第一比较单元，用于比较所述坐标与预设类移动目标在所述特征空间中的坐标。

10.根据权利要求6所述的系统，其特征在于，所述系统还包括：测试单元，用于获取新的视频序列测试集，对所述训练集的分类进行验证。