CN115761659A - 识别模型构建方法、车型识别方法、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种识别模型构建方法、车型识别方法、电子设备及存储介质，包括：将获取的第一车型图片输入至神经网络进行训练，获得第一训练模型；将获取的第二车型图片输入至第一训练模型进行训练，获得第二训练模型；将获取的第三车型图片输入至第二训练模型进行训练，获得识别模型；其中，第二车型图片通过第一车型图片进行处理后获得，第三车型图片通过第四车型图片叠加获得，第四车型图片通过摄像设备对车道进行拍摄获得。本申请提供的方法通过多种方式对识别模型进行训练，使识别模型的识别精度更高，避免错误识别车辆的型号，增加不必要的麻烦。

Description

识别模型构建方法、车型识别方法、电子设备及存储介质

技术领域

本申请的实施例涉及车辆识别技术领域，特别涉及一种识别模型构建方法、车型识别方法、电子设备及存储介质。

背景技术

高速公路、城市快速路上有对车型管理的需求。例如某些路段仅能通过小轿车，特定吨位的卡车不可通过。交管部门通常在龙门上固定设置有毫米波雷达与车牌识别摄像头。其中毫米波雷达能够获取车辆的速度、距离等信息。摄像头被调整为特定安装角度，车牌识别摄像头用于对车辆的车牌进行取证，所拍摄的图像具有固定的视野面积。如果需要毫米波雷达识别车型是卡车还是轿车，现有技术中只能根据聚类后的点云图大小进行判断，当存在两辆距离较近的车时容易被误识别为卡车，存在车型识别精确度不高的缺陷。

发明内容

本申请的实施例提供一种识别模型构建方法、车型识别方法、电子设备及存储介质，以解决现有技术中识别设备的识别精度不高，容易出现错误识别的技术问题。

为了解决上述技术问题，本申请的实施例公开了如下技术方案：

第一方面，提供了一种识别模型构建方法，包括：

将获取的第一车型图片输入至神经网络进行训练，获得第一训练模型；

将获取的第二车型图片输入至所述第一训练模型进行训练，获得第二训练模型；

将获取的第三车型图片输入至所述第二训练模型进行训练，获得识别模型；

其中，所述第二车型图片通过所述第一车型图片进行处理后获得，所述第三车型图片通过第四车型图片叠加获得，所述第四车型图片通过摄像设备对车道进行拍摄获得。

结合第一方面，所述的将获取的第一车型图片输入至神经网络进行训练，获得第一训练模型的方法包括：

从互联网上下载获得多种车型的高清图片和车型信息，组成第一车型图片；

将所述第一车型图片输入至神经网络进行训练，获得能够将多种车型进行匹配识别的第一训练模型；

其中，所述高清图片为车辆在多个角度以及多个距离下的图片。

结合第一方面，所述第二车型图片通过所述第一车型图片进行处理后获得的方法包括：

将所述第一车型图片通过n*m的网格进行切割分块，获得多个图块；

对所述图块进行筛选获得第二车型图片；

其中，2≤n≤10，1≤m≤10。

结合第一方面，所述的对所述图块进行筛选获得第二车型图片的方法包括：

将所述图块中包含车辆至少部分结构的所述图块进行保留；

计算获得保留的所述图块与所述车辆的关系度数值；

将所述关系度数值高于阈值的所述图块保留，得到所述第二车型图片。

结合第一方面，所述关系度数值的计算方法包括：

绘制所述高清图片的车辆轮廓线获得第一图形；

绘制所述图块的车辆轮廓线获得第二图形；

将所述第一图形分割为与所述图块相同尺寸的第三图形；

将所述第二图形与所述第三图形逐一进行对比，获得所述第三图形中与所述第一图形重合的数量；

计算的公式为：

；

其中，S表示关系度数值，Q表示第三图形与第一图形重合的数量，P为第三图形的数量。

结合第一方面，所述的第二车型图片通过所述第一车型图片进行处理后获得的方法包括：

将所述第一车型图片进行逐级模糊化处理后获得所述第二车型图片。

结合第一方面，对所述第四车型图片进行叠加获得所述第三车型图片的方法包括：

将拍摄获得的所述第四车型图片通过透视变换矩阵转换为待叠加的图片；

将所述待叠加的图片进行两两对比，获得两所述待叠加的图片之间的移动向量；

采用非线性图形融合方法根据所述移动向量将所述待叠加的图片融合为全车叠加图片。

结合第一方面，所述待叠加的图片的转换方法包括：

对拍摄获得的所述第四车型图片通过高斯混合模型进行背景建模，对图片中的目标前景和背景进行分离；

对分离出的所述目标前景进行滤波增强处理，获得清晰的所述目标前景。

结合第一方面，在获得所述目标前景后，将获得的所述目标前景与摄像设备中的视频进行目标匹配，并通过图形框将与所述目标前景对应的目标进行框选。

第二方面，提供了一种车型识别方法，所述方法包括：

拍摄获取车辆的多个行驶图像；

将多个所述行驶图像进行叠加获得叠加后的全车图像；

将所述全车图像输入至由第一方面所述的识别模型构建方法构建的识别模型中进行识别；

获得所述车辆的车型，并对所述车辆进行跟踪。

第三方面，提供了一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如第一方面所述的识别模型构建方法，或者，实现如第一方面所述的车型识别方法。

第四方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面所述的识别模型构建方法，或者，实现如第一方面所述的车型识别方法。

上述技术方案中的一个技术方案具有如下优点或有益效果：

与现有技术相比，本申请的实施例提供了一种识别模型构建方法，包括：将获取的第一车型图片输入至神经网络进行训练，获得第一训练模型；将获取的第二车型图片输入至第一训练模型进行训练，获得第二训练模型；将获取的第三车型图片输入至第二训练模型进行训练，获得识别模型；其中，第二车型图片通过第一车型图片进行处理后获得，第三车型图片通过第四车型图片叠加获得，第四车型图片通过摄像设备对车道进行拍摄获得。本申请提供的方法通过多种方式对识别模型进行训练，使识别模型的识别精度更高，避免错误识别车辆的型号，增加不必要的麻烦。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1为本申请实施例提供的方法的流程示意图；

图2为本申请实施例提供的第一拍摄样张示意图；

图3为本申请实施例提供的第二拍摄样张示意图；

图4为本申请实施例提供的第三拍摄样张示意图；

图5为本申请实施例提供的第四拍摄样张示意图；

图6为本申请实施例提供的第五拍摄样张示意图；

图7为本申请实施例提供的第六拍摄样张示意图；

图8为本申请实施例提供的第七拍摄样张示意图；

图9为本申请实施例提供的第八拍摄样张示意图；

图10为本申请实施例提供的第九拍摄样张示意图；

图11为本申请实施例提供的叠加的图片示意图；

图12为本申请实施例提供的目标车辆的示意图；

图13为本申请实施例提供的二值化掩膜后的示意图；

图14为本申请实施例提供的目标车辆框选后的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以下通过实施例来阐述本申请的具体实施方式：

如图1所示，本申请实施例提供一种识别模型构建方法，包括：

S1：将获取的第一车型图片输入至神经网络进行训练，获得第一训练模型；

具体步骤为：

从互联网上下载获得多种车型的高清图片和车型信息，组成第一车型图片；其中的车型信息包括轿车、卡车、公交车、越野车等，获得多种车型从不同的角度和距离拍摄得到的高清图片，其中，以由正面拍摄和正面向下拍摄的图片为主，将高清图片与车型信息进行匹配；需要说明的是，市面上车型的种类众多，本申请中只是将较为常见的车型进行举例，并不代表本申请中只针对上述车型进行训练。

将获取得到的第一车型图片输入至神经网络进行训练，获得能够将多种车型进行匹配识别的第一训练模型；首先，为了加快第一训练模型的训练效率，需要对不同车型的高清图片进行分类，如将属于轿车的车型图片统一放置于同一个训练列表中，将属于卡车的车型图片放置统一放置于另一个训练列表中，同时在每一个训练列表中，划分为不同的训练组，将同一款车型的图片放置在同一个训练组中，在每次训练时，以训练组为单位以训练列表为训练周期对第一训练模型进行训练；通过多次训练使得第一训练模型具备根据高清图片快速识别出车型信息的能力，为后续的模型训练打下基础。

S2：将获取的第二车型图片输入至第一训练模型进行训练，获得第二训练模型；

具体训练步骤为：

首先，需要获得第二车型图片，其中第二车型图片通过第一车型图片进行处理后获得，具体获取的方法包括：

将第一车型图片通过n*m的网格进行切割分块，获得多个图块；由于拍摄距离或者角度的不同，第一车型图片中每一张图片的尺寸也不相同，因此需要对第一车型图片的尺寸进行统一。以每个轿车车型的挡风玻璃的面积为基准，设置各个车型的尺寸调整系数，对第一车型图片的尺寸进行调整，调整方式为，将轿车车型的挡风玻璃面积调整系数设置为1，则公交车的挡风玻璃面积调整系数为2，卡车的挡风玻璃面积调整系数为1.5，越野车的挡风玻璃面积调整系数为1.2。将轿车车型的挡风玻璃面积乘上对应车型的调整系数，即可得到各个车型所对应的图片的大小从而对第一车型图片的尺寸进行相应的缩小或放大。将尺寸统一后的第一车型图片通过n*m的网格的进行切割分块，其中n为横向的切割数量，可以选择的范围为2、3、4、5、6、7、8、9和10，m为纵向的切割数量，可以选择的范围为1、2、3、4、5、6、7、8、9和10。需要说明的是，n和m为对图片进行切割后在横向或纵向上获得的数量，因此当纵向的切割数量为1时，实际不对第一车型图片进行切割，即第一车型图片在纵向上只有一排图片。根据算法所需要的精度对切割数量进行限定，当切割数量较高时，所获得的图块数量更多，算力要求更高，训练后模型的识别精度更高；当切割数量较低时，所获得的图块数量较少，运算速度和模型训练速度更快，效率更高。

在切割获得图块后需要对图块进行筛选获得第二车型图片；具体的步骤为：将图块中包含车辆至少部分结构的图块进行保留；可以理解的是，在对车辆进行拍摄时，会将一些空白区域照进图片中，而该部分区域实际并不包含车辆的任何有用的信息，且对车型的识别并没有帮助，甚至还可能起到反作用。因此需要对切割后的图块进行筛选，保留具有车辆结构的图块。将保留后的图块计算其与车辆之间的关系度数值；将关系度数值高于阈值的图块保留，得到第二车型图片。可以理解的是，将图块进行第一次筛选后，获得的图块均与车辆存在一定的关系，即，每个图块中均保留车辆的部分结构。但是在车辆中有一些区域对车辆的识别并没有太大的帮助，如车辆的挡风玻璃中心区域，车顶盖的中心区域，引擎盖的中心区域等，这些区域的变化不大，无法抓取出有效的辨识点来进行识别，因此可以将这部分区域的图块过滤，从而减少模型训练的图块数量，进一步提高模型训练的效率。

在本申请实施例中，关系度数值的计算方法包括：绘制高清图片的车辆轮廓线获得第一图形；绘制图块的车辆轮廓线获得第二图形；可以理解的是，首先根据车辆的原始图片绘制得到车辆的轮廓线图形，包括车辆的边缘线、格栅、车盖、车灯等的轮廓线条；依此方法绘制得到图块的轮廓线图形；将车辆的轮廓线图形分割为与图块相同的尺寸；依据图块的尺寸将第一图形分割为与图块相同尺寸的第三图形，则得到多个分割后的第三图形；将第二图形与第三图形逐一进行对比；当第二图形与第三图形中的轮廓线图形能够重合或基本重合时则认为图块的轮廓线与车辆的轮廓线图形相匹配；同时获得第三图形中与第一图形重合的数量；继续对比，找出所有能够与图块相匹配的图形并记录匹配的数量。根据第三图形与第一图形重合的数量以及车辆的第三图形数量计算获得关系度数值；计算的公式为：

；

其中，S表示关系度数值，Q表示第三图形与第一图形重合的数量，P为第三图形的数量；将关系度数值S与阈值进行比较，阈值T≤50%P。当关系度数值S大于阈值T时，说明该图块与车辆的多张轮廓线的图形相吻合，也即说明了该图块的辨识度较低，不能从该图块很好的反推得出车辆的信息。将车辆的图片和图块转换成轮廓线的目的在于在对模型训练时减少车辆的延伸信息对模型训练的影响，通过车辆的轮廓线来对车型进行判断，使得训练得到的第二训练模型具备从具备的车辆图片中识别出具体车型的能力。

S3：将获取的第三车型图片输入至第二训练模型进行训练，获得识别模型；其中，第三车型图片通过第四车型图片叠加获得，第四车型图片通过摄像设备对车道进行连续拍摄获得，如图2至图10所示。可以理解的是，在判定车道中出现车辆时，对行进中的车辆连续拍摄多张图片。如可控制摄像设备每隔1/4秒拍摄一张图片，直至所拍摄的图片的总数达到一预设数量(如10张)为止，也可以为20张或更多张。由于车辆是在行驶过程中被摄像设备拍摄得到。因此根据近大远小的原理，图片中所呈现的车辆尺寸也各不相同，位于远处的车辆拍摄获得的图片尺寸较小，位于近处的车辆拍摄获得的尺寸较大。同时摄像设备在识别车牌时，其图像获取范围仅限于车辆的车牌附近区域。并且由于摄像设备的拍摄角度固定不变，拍摄时的范围也不变，车头的底部会率先进入到拍摄范围，随后车头、车身至车尾陆续进入到拍摄范围中。因此摄像设备拍摄所获得的图片无法获得完整的车辆结构。也就是说，当摄像设备用于车牌识别时，无法拍摄到车辆的全貌。如部分拍到车头的一部分，即车顶或尾部。因此需要通过对所拍摄获得的图片进行叠加才能获得车辆的全貌。

在本申请实施例中，对第四车型图片进行叠加获得第三车型图片的方法包括：

将拍摄获得的第四车型图片通过透视变换矩阵转换为待叠加的图片；其中，待叠加的图片的转换方法包括：对拍摄获得的第四车型图片通过高斯混合模型进行背景建模，对图片中的目标前景和背景进行分离；

通过高斯混合模型对获得第四车型图片进行背景建模，得到目标前景和背景，根据对测试数据进行分析及调试，设置高斯混合模型的训练帧数为30帧，高斯模型数目为3并分离出目标前景的像素点。对分离出的目标前景进行滤波增强处理，获得清晰的目标前景，为了使目标前景的轮廓更加清晰，对目标前景图像进行滤波增强处理，减少每帧视频中目标前景的像素附近存在的噪声像素点。所使用的滤波增强处理方法为形态学滤波算法中的开、闭运算和孔洞填充。对测试数据通过形态学操作消除目标前景中的噪声，对目标前景图像使用3*3矩形进行开操作，消除相邻目标前景中的联系，使用15*15矩形进行闭操作，消除细小非目标前景，然后进行补洞，消除物体间的空洞；开闭运算是由腐蚀和膨胀基本形态学操作结合而成的，腐蚀可以缩小目标边界，膨胀可以扩大目标边界，有效的利用形态学操作算法可提高目标检测的准确性。

如图12所示，在本申请实施例中，在获得目标前景后，将获得的目标前景与摄像设备中的视频进行目标匹配，并通过图形框将与目标前景对应的目标进行框选；通过Blob分析得到目标区域的特征信息，如目标面积、目标质心值、目标检测框等。利用卡尔曼滤波对检测到的目标和摄像设备正在跟踪的同一目标进行关联。即通过计算航迹在新一帧的预测值和新目标的欧几里得距离，根据所设定的阈值判断目标是否与航迹匹配。对匹配的轨迹进行更新，删除连续消失多帧的不能匹配轨迹。跟踪成功的目标用矩形框标识，或者通过显示目标ID序号的方式对不同的目标进行标注。如图13所示为车道图像经过处理后的二值掩膜图像。图中车辆显示为白色区域，该目标可由矩形框进行框选。矩形框的大小根据目标与雷达之间的距离计算得到，如图14所示。与此同时，可对雷达进行校准，即将雷达坐标系与世界坐标系转换。根据二值掩膜图像中远端及近端目标检测框的宽度认为是实际同宽的四个顶点，将四个顶点转变为相对应近端同宽到远端的矩形四顶点坐标来求解三维度的透视变换矩阵的各参数。

Blob分析（Blob Analysis）是对图像中相同像素的连通域进行分析，该连通域称为Blob。经二值化（Binary Thresholding）处理后的图像中色斑可认为是Blob。Blob分析工具可以从背景中分离出目标，并可以计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。在处理过程中不是对单个像素逐一分析，而是对图像的行进行操作。

在本申请实施例中，将待叠加的图片进行两两对比，获得两待叠加的图片之间的移动向量；在获取透视变换矩阵之后，可基于此透视变换矩阵将连续拍摄的多张图像投影映射为上述待叠加的图片。将待叠加的图片进行两两比对，以获取待叠加的图片两两之间的移动向量。

同时，采用非线性图形融合方法根据移动向量将待叠加的图片融合为全车叠加图片，如图11所示；例如可基于模板匹配(template matching)的方式获取待叠加的图片两两之间的移动向量。举例而言，对于上述待叠加的图片中的第i个待叠加的图片而言，可在所述第i个待叠加的图片中取出一特定区块，例如是对应于车辆的部分车体的某个图片区域作为第一特征模板，其中，N为上述待叠加的图片的数量(例如10)。之后，对于上述待叠加的图片中的第i+1个待叠加的图片而言，可在所述第i+1个待叠加的图片中找出匹配于上述第一特征模板的第二特征模板，并基于此第二特征模板与上述第一特征模板之间的位移定义所述第i+1个待叠加的图片与所述第i个待叠加的图片之间的移动向量。

采用非线性图像融合方法以基于待叠加的图片两两之间的移动向量将待叠加的图片叠加为对应于车辆的全车叠加图像。在不同的实施例中，上述非线性图像融合方法例如是指数型函数。连续的两个图像可能具有不同的曝光条件，进而可能造成图像叠加后出现明显的交接边界。为使有上述待叠加的图片可经叠加为一平滑的全车叠加图像，可通过非线性图像融合方法(例如指数型函数)进行改善。

本申请实施例中首先将高清图片输入至神经网络中，通过高清图片的训练使得第一训练模型具备通过高清图片识别车型的基本能力；然后对高清图片进行分割并进行绘制轮廓线，滤除对车型识别判断不强的图块，将过滤后保留的图块输入至第一训练模型中，使得训练得到的第二训练模型具备通过车辆的局部结构识别判断车型的能力；最后将连续拍摄获得的第四车型图片叠加成第三车型图片，将第三车型图片输入至第二训练模型中，训练得到识别模型，使得识别模型具备根据叠加后的图片识别判断出车型的能力。因此综合上述的模型构建方法，使得识别模型能够从不同的结构中快速识别出具体的车型。增强了模型的鲁棒性，避免识别模型在识别车型时出现差错。

在一些其他的实施例中，第二车型图片可以通过对第一车型图片进行逐级模糊化处理后获得。由于摄像设备拍摄获得的图片车辆通常处于运动状态，因此所获得的图片往往会出现毛边或模糊的情况，因此通过将第一车型图片进行逐级模糊化来模拟运动过程中拍摄的车辆图片，将第二车型图片输入至第二训练模型中训练得到识别模型，使得识别模型具备根据模糊的车辆图片识别判断出车型的能力。

本申请实施例还提供了一种车型识别方法，方法包括：拍摄获取车辆的多个行驶图像；将多个行驶图像进行叠加获得叠加后的全车图像；将全车图像输入至由上述方法构建的识别模型中进行识别；获得车辆的车型，并对车辆进行跟踪。将获得的全车叠加图像输入经预训练的车辆识别模型中进行识别。上述分类模型可以是CNN卷积神经网络，其可经一定的训练过程而具备基于全车叠加图像识别车辆的类型的能力。

其中，训练过程为先收集对应于各种车辆类型的车辆的全车叠加图像作为训练材料，分类模型学习对应于各式类型车辆的特征。在完成分类模型的训练之后，此分类模型即可在接收到某未知车辆的全车叠加图像时，识别出未知车辆的类型。并且，可以实现相同功能的分类模型还有LeNet、AlexNet、VGGNet、GoogLeNet、ResNet及DenseNet等。

基于上述，本申请的方法无需额外的硬件投入仅在算法侧的改进即可实现车型识别功能。在由多个连续图像叠加获得融合的叠加图像中，车辆具有类似的姿态因此可以提高识别步骤中机器学习训练的准确度和效率。上述流程无需人工判断可提高识别效率，将车型识别这一过程自动化。

本申请实施例还提供了一种电子设备，包括存储器和处理器；存储器，用于存储计算机程序；处理器，用于当执行计算机程序时，实现如上述的识别模型构建方法，或者，实现如上述的车型识别方法。

本申请实施例还提供了一种计算机可读存储介质，存储介质上存储有计算机程序，当计算机程序被处理器执行时，实现如上述的识别模型构建方法，或者，实现如上述的车型识别方法。

以上对本申请实施例所提供的一种识别模型构建方法、车型识别方法、电子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申请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申请的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。

Claims (12)

1.一种识别模型构建方法，其特征在于，包括：

将获取的第一车型图片输入至神经网络进行训练，获得第一训练模型；

将获取的第二车型图片输入至所述第一训练模型进行训练，获得第二训练模型；

将获取的第三车型图片输入至所述第二训练模型进行训练，获得识别模型；

其中，所述第二车型图片通过所述第一车型图片进行处理后获得，所述第三车型图片通过第四车型图片叠加获得，所述第四车型图片通过摄像设备对车道进行拍摄获得。

2.如权利要求1所述的识别模型构建方法，其特征在于，所述的将获取的第一车型图片输入至神经网络进行训练，获得第一训练模型的方法包括：

从互联网上下载获得多种车型的高清图片和车型信息，组成第一车型图片；

将所述第一车型图片输入至神经网络进行训练，获得能够将多种车型进行匹配识别的第一训练模型；

其中，所述高清图片为车辆在多个角度以及多个距离下的图片。

3.如权利要求2所述的识别模型构建方法，其特征在于，所述第二车型图片通过所述第一车型图片进行处理后获得的方法包括：

将所述第一车型图片通过n*m的网格进行切割分块，获得多个图块；

对所述图块进行筛选获得第二车型图片；

其中，2≤n≤10，1≤m≤10。

4.如权利要求3所述的识别模型构建方法，其特征在于，所述的对所述图块进行筛选获得第二车型图片的方法包括：

将所述图块中包含车辆至少部分结构的所述图块进行保留；

计算获得保留的所述图块与所述车辆的关系度数值；

将所述关系度数值高于阈值的所述图块保留，得到所述第二车型图片。

5.如权利要求4所述的识别模型构建方法，其特征在于，所述关系度数值的计算方法包括：

绘制所述高清图片的车辆轮廓线获得第一图形；

绘制所述图块的车辆轮廓线获得第二图形；

将所述第一图形分割为与所述图块相同尺寸的第三图形；

将所述第二图形与所述第三图形逐一进行对比，获得所述第三图形中与所述第一图形重合的数量；

计算的公式为：

；

其中，S表示关系度数值，Q表示第三图形与第一图形重合的数量，P为第三图形的数量。

6.如权利要求2所述的识别模型构建方法，其特征在于，所述的第二车型图片通过所述第一车型图片进行处理后获得的方法包括：

将所述第一车型图片进行逐级模糊化处理后获得所述第二车型图片。

7.如权利要求2所述的识别模型构建方法，其特征在于，对所述第四车型图片进行叠加获得所述第三车型图片的方法包括：

将拍摄获得的所述第四车型图片通过透视变换矩阵转换为待叠加的图片；

将所述待叠加的图片进行两两对比，获得两所述待叠加的图片之间的移动向量；

采用非线性图形融合方法根据所述移动向量将所述待叠加的图片融合为全车叠加图片。

8.如权利要求7所述的识别模型构建方法，其特征在于，所述待叠加的图片的转换方法包括：

对拍摄获得的所述第四车型图片通过高斯混合模型进行背景建模，对图片中的目标前景和背景进行分离；

对分离出的所述目标前景进行滤波增强处理，获得清晰的所述目标前景。

9.如权利要求8所述的识别模型构建方法，其特征在于，在获得所述目标前景后，将获得的所述目标前景与摄像设备中的视频进行目标匹配，并通过图形框将与所述目标前景对应的目标进行框选。

10.一种车型识别方法，其特征在于，所述方法包括：

拍摄获取车辆的多个行驶图像；

将多个所述行驶图像进行叠加获得叠加后的全车图像；

将所述全车图像输入至由权利要求1-9任一项所述的识别模型构建方法构建的识别模型中进行识别；

获得所述车辆的车型，并对所述车辆进行跟踪。

11.一种电子设备，其特征在于：包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1至9任一项所述的识别模型构建方法，或者，实现如权利要求10所述的车型识别方法。

12.一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至9任一项所述的识别模型构建方法，或者，实现如权利要求10所述的车型识别方法。

Images