车型识别方法及终端

技术领域

本发明涉及车辆识别技术领域，特别涉及车型识别方法及终端。

背景技术

车型识别属于计算机视觉中细粒度分类的问题，也是智能交通监控系统的一个重要研究方向。它需要对监控画面中的车辆实现具体到车辆厂商、车系等精细类别的自动分析和识别。其中最可靠有效的方法就是车辆图像里包括清晰完整的车身图像，比如很多车辆的尾部有车辆厂商的标记、车系的标记以及车牌等等重要车辆信息，如果能得到诸如上述重要车辆信息则可以快速且准确的识别出车型。

目前，实现车型识别的算法基本上是基于深度学习的深度卷积神经网络，但是深度学习的准确度往往和训练数据的多少、标注准确度息息相关，且不说汽车厂商和车系已有成千上万，不同车型的车辆在不同应用场景下的图片更是不计其数，作为训练数据无法涵盖也没有时间精力去涵盖所有车型在不同应用场景下的车辆图像，因此，现有对于深度学习的车型识别往往在算法模型的具体实现上作改进，以期望能达到更高的识别准确度。

但是，在实际应用场景中，应用场景复杂程度是无法完全估计的，车辆图像中也往往不是清晰完整的车身图像，比如没有重要车辆信息，甚至车身部分都是不完整，这给车型识别带来了极大的困难，影响了车型识别的准确性。

发明内容

本发明所要解决的技术问题是：提供车型识别方法及终端，以提高车型识别的准确性。

为了解决上述技术问题，本发明采用的技术方案为：

车型识别方法，包括以下步骤：

S1、基于训练好的车型识别模型对待识别图像中的待识别车辆进行车型识别，得到第一车型，判断所述第一车型在所述车型识别模型中所得到的相似度是否超过第一阈值，若是，则将所述第一车型作为所述待识别车辆图像的车型结果进行输出，否则执行步骤S2，所述车型识别模型为深度卷积神经网络模型；

S2、从所述车型识别模型中获取相似度排在前N个的车型识别结果作为初步车型集合，获取所述初步车型集合中每一个车型所对应的3D车身模型，所述N为大于或等于2的正整数；

S3、获取实时拍摄场景所对应的三维初始模拟场景和当前环境参数，根据所述待识别图像确定所述待识别车辆在所述实时拍摄场景的具体位置，得到车辆位置，所述实时拍摄场景为所述待识别车辆所在的实际场景，所述当前环境参数包括当前光照强度、当前光照位置和当前能见度；

S4、根据所述当前环境参数和所述待识别图像中除所述待识别车辆之外的图像环境信息在所述三维初始模拟场景中模拟出与所述实时拍摄场景相对应的环境，得到三维环境模拟场景，将所述初步车型集合中每一个车型所对应的3D车身模型分别放置于所述三维环境模拟场景中的车辆位置上，得到所述初步车型集合中每一个车型所对应的三维车型模拟场景；

S5、获取拍摄所述待识别图像的第一摄像头在所述实时拍摄场景的拍摄位置信息和拍摄朝向信息，在所述初步车型集合中每一个车型所对应的三维车型模拟场景中对应的拍摄位置信息上生成模拟摄像头，控制所述初步车型集合中每一个车型所对应的三维车型模拟场景中的所述模拟摄像头按照所述拍摄朝向信息进行拍摄，得到所述初步车型集合中每一个车型的车辆场景模拟图像；

S6、将所述初步车型集合中每一个车型的原始训练图像和对应的所述车辆场景模拟图像作为新的训练数据去训练生成一个车型识别子模型，基于训练好的车型识别子模型对所述待识别图像中的所述待识别车辆进行车型识别，得到第二车型，将所述第二车型作为所述待识别车辆图像的车型结果进行输出，所述第二车型为所述初步车型集合中的其中一个车型。

为了解决上述技术问题，本发明采用的另一种技术方案为：

车型识别终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的车型识别方法。

本发明的有益效果在于：车型识别方法及终端，基于训练好的车型识别模型对待识别图像中的待识别车辆进行车型识别，以输出车型识别效果。此时，若输出的车型结果的相似度没有超过第一阈值，则认为并不是很确定为该车型。由此，选取相似度排在前N个的车型识别结果来建立3D车身模型，并根据三维初始模拟场景和当前环境参数得到三维环境模拟场景，将初步车型集合中每一个车型所对应的3D车身模型分别放置于三维环境模拟场景中的车辆位置上，得到初步车型集合中每一个车型所对应的三维车型模拟场景，之后对相似车型的车辆进行模拟拍摄，得到每一个车型在同一场景下同一拍照条件下的车辆场景模拟图像，然后作为新的训练数据去训练生成一个车型识别子模型，来得到最后的车型识别结果。由此，对于超过第一阈值的车型结果其准确度高，而对于准确度不高的车型结果进行二次识别，由于将非常多的车型缩小成几个车型，使得二次识别的模型只针对于这几种车型进行训练，其针对性强且训练量小，从而能够快速得到一个较为准确的区别这几种车型的车型识别子模型，以保证二次识别的准确性，以进一步提高车型识别结果的准确度。

附图说明

图1为本发明实施例的车型识别方法的流程示意图；

图2为本发明实施例的车型识别终端的结构示意图。

标号说明：

1、车型识别终端；2、处理器；3、存储器。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，车型识别方法，包括以下步骤：

S1、基于训练好的车型识别模型对待识别图像中的待识别车辆进行车型识别，得到第一车型，判断所述第一车型在所述车型识别模型中所得到的相似度是否超过第一阈值，若是，则将所述第一车型作为所述待识别车辆图像的车型结果进行输出，否则执行步骤S2，所述车型识别模型为深度卷积神经网络模型；

S2、从所述车型识别模型中获取相似度排在前N个的车型识别结果作为初步车型集合，获取所述初步车型集合中每一个车型所对应的3D车身模型，所述N为大于或等于2的正整数；

S3、获取实时拍摄场景所对应的三维初始模拟场景和当前环境参数，根据所述待识别图像确定所述待识别车辆在所述实时拍摄场景的具体位置，得到车辆位置，所述实时拍摄场景为所述待识别车辆所在的实际场景，所述当前环境参数包括当前光照强度、当前光照位置和当前能见度；

S4、根据所述当前环境参数和所述待识别图像中除所述待识别车辆之外的图像环境信息在所述三维初始模拟场景中模拟出与所述实时拍摄场景相对应的环境，得到三维环境模拟场景，将所述初步车型集合中每一个车型所对应的3D车身模型分别放置于所述三维环境模拟场景中的车辆位置上，得到所述初步车型集合中每一个车型所对应的三维车型模拟场景；

S5、获取拍摄所述待识别图像的第一摄像头在所述实时拍摄场景的拍摄位置信息和拍摄朝向信息，在所述初步车型集合中每一个车型所对应的三维车型模拟场景中对应的拍摄位置信息上生成模拟摄像头，控制所述初步车型集合中每一个车型所对应的三维车型模拟场景中的所述模拟摄像头按照所述拍摄朝向信息进行拍摄，得到所述初步车型集合中每一个车型的车辆场景模拟图像；

S6、将所述初步车型集合中每一个车型的原始训练图像和对应的所述车辆场景模拟图像作为新的训练数据去训练生成一个车型识别子模型，基于训练好的车型识别子模型对所述待识别图像中的所述待识别车辆进行车型识别，得到第二车型，将所述第二车型作为所述待识别车辆图像的车型结果进行输出，所述第二车型为所述初步车型集合中的其中一个车型。

从上述描述可知，本发明的有益效果在于：基于训练好的车型识别模型对待识别图像中的待识别车辆进行车型识别，以输出车型识别效果。此时，若输出的车型结果的相似度没有超过第一阈值，则认为并不是很确定为该车型。由此，选取相似度排在前N个的车型识别结果来建立3D车身模型，并根据三维初始模拟场景和当前环境参数得到三维环境模拟场景，将初步车型集合中每一个车型所对应的3D车身模型分别放置于三维环境模拟场景中的车辆位置上，得到初步车型集合中每一个车型所对应的三维车型模拟场景，之后对相似车型的车辆进行模拟拍摄，得到每一个车型在同一场景下同一拍照条件下的车辆场景模拟图像，然后作为新的训练数据去训练生成一个车型识别子模型，来得到最后的车型识别结果。由此，对于超过第一阈值的车型结果其准确度高，而对于准确度不高的车型结果进行二次识别，由于将非常多的车型缩小成几个车型，使得二次识别的模型只针对于这几种车型进行训练，其针对性强且训练量小，从而能够快速得到一个较为准确的区别这几种车型的车型识别子模型，以保证二次识别的准确性，以进一步提高车型识别结果的准确度。

进一步地，所述步骤S4具体包括以下步骤：

S41、每间隔第一预设时间就获取处于所述实时拍摄场景的多个摄像头在第二预设时间区间内的多张实时拍摄图像，根据多张所述实时拍摄图像分析得到所述实际场景的差异化静态物体信息，根据所述差异化静态物体信息对所述三维初始模拟场景进行实时更新，以得到更新后的所述三维初始模拟场景；

S42、根据所述当前环境参数和所述待识别图像中除所述待识别车辆之外的图像环境信息在更新后的所述三维初始模拟场景中模拟出与所述实时拍摄场景相对应的环境，得到三维环境模拟场景，将所述初步车型集合中每一个车型所对应的3D车身模型分别放置于所述三维环境模拟场景中的车辆位置上，得到所述初步车型集合中每一个车型所对应的三维车型模拟场景，所述图像环境信息包括活体信息；

所述步骤S5替换为以下步骤：

在所述初步车型集合中每一个车型所对应的三维车型模拟场景中生成多个不同角度对准所述3D车身模型的模拟摄像头，以获得多个所述模拟摄像头在不同角度下对所述3D车身模型所拍摄的车辆场景模拟图像，并对获得的每一张所述车辆场景模拟图像打上对应的车型标记；

所述步骤S6替换为以下步骤：

将所述初步车型集合中每一个车型在不同角度下的多个所述模拟摄像头所拍摄的车辆场景模拟图像作为新的训练数据去训练生成一个车型识别子模型，基于训练好的车型识别子模型对所述待识别图像中的所述待识别车辆进行车型识别，得到第二车型，将所述第二车型作为所述待识别车辆图像的车型结果进行输出，所述第二车型为所述初步车型集合中的其中一个车型。

从上述描述可知，对于深度卷积神经网络模型的车型识别子模型来说，其训练数据的准确性与否直接影响到车型识别子模型的准确性，而现在训练数据基本上是从网络上获取的图片，其不同车辆的背景大相径庭，其不可能与实际应用场景相匹配。而通过上述实施方式，将多个相似车型的3D车身模型放置于同一真实场景下的三维初始模拟场景中，并通过不同角度的摄像头拍摄得到每一个车型的多张车辆场景模拟图像，以有效的增加一个车型所对应的训练图片数据，使得作为训练数据的图片更加符合真实场景且具有足够的训练数量，从而使得得到的车型识别子模型的车型识别准确性更高。

进一步地，所述步骤S42之前还包括以下步骤：

分析所述待识别车辆出现在所述待识别图像中的车身局部信息，将所述初步车型集合中每一个车型所对应的3D车身模型进行三维处理以得到仅剩所述车身局部信息的3D车身局部模型；

所述步骤S42和所述步骤S5中的所述3D车身模型为所述3D车身局部模型。

从上述描述可知，只包括出现在待识别图像中的车身局部，这是因为待识别图像中只针对出现的车身局部来进行识别，因此，将其余不在待识别图像中的车身部位进行省略，以保证训练得到的车型识别子模型的特征数据更加集中于车身局部，一方面减少了计算量，一方面提高了准确性，从而能够快速准确的得到区别这几种车型的车型识别子模型。

进一步地，所述步骤S6替换为以下步骤：

将所述初步车型集合中每一个车型的所述车辆场景模拟图像作为新的训练数据输入所述车型识别模型，得到新的所述车型识别模型，基于新的所述车型识别模型对所述待识别图像中的所述待识别车辆进行车型识别，得到第二车型，将所述第二车型作为所述待识别车辆图像的车型结果进行输出，所述第二车型为所述初步车型集合中的其中一个车型。

从上述描述可知，将车辆场景模拟图像作为新的训练数据来更新车型识别模型，由于训练数据包括了在真实场景下不同车型的车辆场景模拟图像，使得整个识别模型会根据新的训练数据来修正其内部的参数，以保证同样一个基础的车型识别模型在应用到不同场景下都有针对性的模型参数调整，相对于同质化的车型识别模型，因为针对真实场景进行了进一步训练，从而使得更新后的车型识别模型在对应的真实场景下的准确度更高。

进一步地，所述步骤S6具体包括以下步骤：

将所述初步车型集合中每一个车型的原始训练图像和对应的所述车辆场景模拟图像作为新的训练数据去训练生成一个车型识别子模型；

基于训练好的车型识别子模型对所述待识别图像中的所述待识别车辆进行车型识别，得到所述初步车型集合中每一个车型的相似度，根据所述初步车型集合中每一个车型在所述车型识别模型中所得到的相似度、在所述初步车型集合中所得到的相似度以及两个相似度所对应的预设权重值得到所述初步车型集合中每一个车型的最终相似度；

将所述最终相似度最高的车型作为第二车型，将所述第二车型作为所述待识别车辆图像的车型结果进行输出，所述第二车型为所述初步车型集合中的其中一个车型。

从上述描述可知，相较于直接按照车型识别子模型的识别效果来作为最终的车型识别结果来说，由于车型识别子模型的训练数据远远小于车型识别模型，因此其稳定性相较来说较低，因此，通过对两种模型的结果按照预设权重进行中和考虑，能够修正车型识别子模型的稳定性，从而保证最终得到才车型识别结果同时具有更高的准确性和稳定性。

进一步地，所述N为预设个数或者是所述车型识别模型中相似度大于第二阈值的所有的车型识别结果的个数。

所述N为所述车型识别模型中相似度大于最高相似度*预设百分比且不超过所述预设个数的所有车型识别结果的个数。

从上述描述可知，上述提供了多种N的设定方式，包括预设个数或者预设阈值，相对来说，其门槛设置有最高相似度*预设百分比是考虑不同车型之间的差异是否在一定程度范围内，采用继续下一步比较的意义，同时又限定一定的预设个数，以限定后续的计算量，由此，提供的初步车型集合能够在准确度和计算量上达到一个相对的平衡。

进一步地，所述步骤S4中得到三维环境模拟场景具体包括以下步骤：

在所述三维初始模拟场景的所述当前光照位置下生成一个模拟发光源，并使得所述模拟发光源按照所述当前光照强度进行发光，同时使得所述三维初始模拟场景的能见度为所述当前能见度，以得到三维环境模拟场景。

从上述描述可知，神经网络模型的训练数据基于确定的范围内进行特征数据的区分，如果是一个完整的车身，则以整个完整的车身进行考虑。而在真实场景下，受到能见度和光照的影响，其车身的有效信息会被大幅度削弱，此时若还是使用的是原本清晰完整的图像训练出来的模型进行识别的话，其不同车型之间基于不同有效信息的区分有可能会被影响，从而导致输出的车型识别结果不准确，而将能见度和光照进行考虑，并作为训练数据进行训练得到的模型，其专注于能看的见的有效信息来进行不同车型的区分，其有效信息更多，使得得到的车型识别结果更加准确可靠。

进一步地，所述步骤S5中将所述初步车型集合中每一个车型所对应的3D车身模型分别放置于所述三维环境模拟场景中的车辆位置上之后还包括以下步骤：

按照所述三维环境模拟场景下的发光对所述3D车身模型进行光线处理。

从上述描述可知，光线处理即折射、反射以及反光的。有时候车型上的细微差别在相同发光条件下呈现的效果差异就很大，比如遮挡物、影子等等，从而保证最终用来训练的车辆场景模拟图像能和待识别图像更加接近，由此训练得到的车型识别子模型的准确度更高。

请参照图2，车型识别终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的车型识别方法。

从上述描述可知，本发明的有益效果在于：基于训练好的车型识别模型对待识别图像中的待识别车辆进行车型识别，以输出车型识别效果。此时，若输出的车型结果的相似度没有超过第一阈值，则认为并不是很确定为该车型。由此，选取相似度排在前N个的车型识别结果来建立3D车身模型，并根据三维初始模拟场景和当前环境参数得到三维环境模拟场景，将初步车型集合中每一个车型所对应的3D车身模型分别放置于三维环境模拟场景中的车辆位置上，得到初步车型集合中每一个车型所对应的三维车型模拟场景，之后对相似车型的车辆进行模拟拍摄，得到每一个车型在同一场景下同一拍照条件下的车辆场景模拟图像，然后作为新的训练数据去训练生成一个车型识别子模型，来得到最后的车型识别结果。由此，对于超过第一阈值的车型结果其准确度高，而对于准确度不高的车型结果进行二次识别，由于将非常多的车型缩小成几个车型，使得二次识别的模型只针对于这几种车型进行训练，其针对性强且训练量小，从而能够快速得到一个较为准确的区别这几种车型的车型识别子模型，以保证二次识别的准确性，以进一步提高车型识别结果的准确度。

请参照图1，本发明的实施例一为：

车型识别方法，包括以下步骤：

S1、基于训练好的车型识别模型对待识别图像中的待识别车辆进行车型识别，得到第一车型，判断第一车型在车型识别模型中所得到的相似度是否超过第一阈值，若是，则将第一车型作为待识别车辆图像的车型结果进行输出，否则执行步骤S2，车型识别模型为深度卷积神经网络模型；

基于步骤S1中基础即最开始的车型识别模型采用现有模型即可。其中，第一阈值为98％，在其他等同实施例中，第一阈值的区间在[95％，99％]，以保证准确度。

S2、从车型识别模型中获取相似度排在前N个的车型识别结果作为初步车型集合，获取初步车型集合中每一个车型所对应的3D车身模型，N为大于或等于2的正整数；

在本实施例中，N为车型识别模型中相似度大于最高相似度*90％且不超过五个的所有车型识别结果的个数，比如最高相似度只有95％，则小于第一阈值98％，此时车型识别模型中相似度大于95％*90％＝85.5％的车型个数有六个，则取前五个即可，若只有四个，则取四个，以此类推。而在其他等同实施例中，预设百分比的区间在[85％，95％]，预设个数的区间在[3，10]。当然，在其他等同实施例中，N为预设个数或者是车型识别模型中相似度大于第二阈值的所有的车型识别结果的个数，比如N为预设个数的情况，则设定为5，就一定获取前五个车型，而对于第二阈值这种情况，比如第二阈值是80％，则相似度大于80％的所有车型的个数可能为三个或者很多个。

当然，如果相似度大于最高相似度*预设百分比的数量为0，则只有最高相似度这个车型结果时，可以获取第二相似度作为初步车型集合中的一个车型来保证至少有两个车型进行后续的二次识别。

S3、获取实时拍摄场景所对应的三维初始模拟场景和当前环境参数，根据待识别图像确定待识别车辆在实时拍摄场景的具体位置，得到车辆位置，实时拍摄场景为待识别车辆所在的实际场景，当前环境参数包括当前光照强度、当前光照位置和当前能见度；

其中，获取当前光照强度、当前光照位置和当前能见度以及确定图像中车辆位置均为现有技术，本申请是获取这些信息进行后续的场景模拟，因此不进一步陈述如何获取当前光照强度、当前光照位置和当前能见度以及确定图像中车辆位置。

另外，3D车身模型可以等需要的时候再去模拟建立即可，这对于车型识别要有很高的准确度的情况下，才需要去建立对应的3D车身模型来执行下面的步骤，而非所有的车型识别都需要来建立3D车身模型，即如果对车型识别的要求并不需要很高的准确度的情况下，通常在步骤S1中输出第一车型即可。

S4、根据当前环境参数和待识别图像中除待识别车辆之外的图像环境信息在三维初始模拟场景中模拟出与实时拍摄场景相对应的环境，得到三维环境模拟场景，将初步车型集合中每一个车型所对应的3D车身模型分别放置于三维环境模拟场景中的车辆位置上，得到初步车型集合中每一个车型所对应的三维车型模拟场景；

在本实施例中，步骤S4中得到三维环境模拟场景具体包括以下步骤：

在三维初始模拟场景的当前光照位置下生成一个模拟发光源，并使得模拟发光源按照当前光照强度进行发光，同时使得三维初始模拟场景的能见度为当前能见度，以得到三维环境模拟场景。

S5、获取拍摄待识别图像的第一摄像头在实时拍摄场景的拍摄位置信息和拍摄朝向信息，在初步车型集合中每一个车型所对应的三维车型模拟场景中对应的拍摄位置信息上生成模拟摄像头，控制初步车型集合中每一个车型所对应的三维车型模拟场景中的模拟摄像头按照拍摄朝向信息进行拍摄，得到初步车型集合中每一个车型的车辆场景模拟图像；

其中，步骤S5中将初步车型集合中每一个车型所对应的3D车身模型分别放置于三维环境模拟场景中的车辆位置上之后还包括以下步骤：

按照三维环境模拟场景下的发光对3D车身模型进行光线处理。

即在本实施例中，将能见度和光照进行一起考虑，并作为训练数据进行训练得到的模型，其专注于能看的见的有效信息来进行不同车型的区分，其有效信息更多，使得得到的车型识别结果更加准确可靠。

比如车身的不同弧线处理导致折射和反射光线的差异、基于尺寸上的些许偏差导致不同车型之间的投影差异等等类似受到光线影响而增加或减少了有效信息的情况能更加的车辆识别子模型所考虑进去，从而在步骤S6中得到的车辆识别子模型更加真实准确。

S6、将初步车型集合中每一个车型的原始训练图像和对应的车辆场景模拟图像作为新的训练数据去训练生成一个车型识别子模型，基于训练好的车型识别子模型对待识别图像中的待识别车辆进行车型识别，得到第二车型，将第二车型作为待识别车辆图像的车型结果进行输出，第二车型为初步车型集合中的其中一个车型。

在本实施例中，考虑到车型识别子模型的训练数据量的问题，其结果的稳定性可能较差，因此，步骤S6具体包括以下步骤：

将初步车型集合中每一个车型的原始训练图像和对应的车辆场景模拟图像作为新的训练数据去训练生成一个车型识别子模型；

基于训练好的车型识别子模型对待识别图像中的待识别车辆进行车型识别，得到初步车型集合中每一个车型的相似度，根据初步车型集合中每一个车型在车型识别模型中所得到的相似度、在初步车型集合中所得到的相似度以及两个相似度所对应的预设权重值得到初步车型集合中每一个车型的最终相似度；

将最终相似度最高的车型作为第二车型，将第二车型作为待识别车辆图像的车型结果进行输出，第二车型为初步车型集合中的其中一个车型。

由此，对于车型识别模型来说，如果某一个车型的相似程度很高，则可以确定是该车型，如果多个车型相似程度都高且接近，则提供的只是一个可能性的结果，由此进行二次针对性的真实场景下的车型识别，以提高车型识别的准确性，极大的降低了车型的误判率。

在其他等同实施例中，步骤S6替换为以下步骤：

将初步车型集合中每一个车型的车辆场景模拟图像作为新的训练数据输入车型识别模型，得到新的车型识别模型，基于新的车型识别模型对待识别图像中的待识别车辆进行车型识别，得到第二车型，将第二车型作为待识别车辆图像的车型结果进行输出，第二车型为初步车型集合中的其中一个车型。

即在应用到不同场景下，对同样一个基础的车型识别模型进行针对性的模型参数调整，相对于同质化的车型识别模型，因为针对真实场景进行了进一步训练，从而使得更新后的车型识别模型在对应的真实场景下的准确度更高。

请参照图1，本发明的实施例二为：

车型识别方法，在上述实施例一的基础上，步骤S4具体包括以下步骤：

S41、每间隔第一预设时间就获取处于实时拍摄场景的多个摄像头在第二预设时间区间内的多张实时拍摄图像，根据多张实时拍摄图像分析得到实际场景的差异化静态物体信息，根据差异化静态物体信息对三维初始模拟场景进行实时更新，以得到更新后的三维初始模拟场景；

在上述步骤S41中，第一预设时间可以为一天，第二预设时间区间内为太阳升起和日落之间的任意一个间隔30秒的时间区间，这样对于真实场景发生了变化时能够快速适应，而为了更高的实时响应，第一预设时间可以为一小时等等。

S411、分析待识别车辆出现在待识别图像中的车身局部信息，将初步车型集合中每一个车型所对应的3D车身模型进行三维处理以得到仅剩车身局部信息的3D车身局部模型；

比如车身局部信息只有车头，则后续的3D车身模型只显示车头即可，当然本实施例中的车身局部信息并不是说划分的范围就是车头、车身、车尾等等，应当知晓的是以在待识别图像中出现的位置比例关系来确定车身局部信息，即该车身局部信息是相较于车身的比例来限定的，比如考虑摄像头这侧的车身临界位置是在前门把手，而远离摄像头那侧的车身临界位置是在车头和前门的临界点，则按照待识别图像，将两侧的车身临界位置相连以将整个车身分成两个部分，其中一部分即根据是否在待识别图像中确定其为车身局部信息即可。

S42、根据当前环境参数和待识别图像中除待识别车辆之外的图像环境信息在更新后的三维初始模拟场景中模拟出与实时拍摄场景相对应的环境，得到三维环境模拟场景，将初步车型集合中每一个车型所对应的3D车身模型分别放置于三维环境模拟场景中的车辆位置上，得到初步车型集合中每一个车型所对应的三维车型模拟场景，图像环境信息包括活体信息；

其中，在训练过程中基于活体信息的不可测，因为在更新后的三维初始模拟场景中只包括实时更新的静物，而在识别过程中，则不可避免的存在活体信息，因此，在得到三维环境模拟场景之前还包括识别出活体信息，以根据在图片中的二维活体信息模拟生成一个三维活体信息，然后将三维活体信息加入到三维环境模拟场景中，以保证在不同场景下都能保证高还原程度。

在本实施例中，步骤S5替换为以下步骤：

在初步车型集合中每一个车型所对应的三维车型模拟场景中生成多个不同角度对准3D车身模型的模拟摄像头，以获得多个模拟摄像头在不同角度下对3D车身模型所拍摄的车辆场景模拟图像，并对获得的每一张车辆场景模拟图像打上对应的车型标记；

其中，步骤S42和步骤S5中的3D车身模型为3D车身局部模型，这样就算只有几个车型，但是每一个车型有多张不同角度下的图像，保证了其训练数据的数量，同时，无需人工打标，因此，可以快速准确的得到多张已打标的训练图片。

在本实施例中，步骤S6替换为以下步骤：

将初步车型集合中每一个车型在不同角度下的多个模拟摄像头所拍摄的车辆场景模拟图像作为新的训练数据去训练生成一个车型识别子模型，基于训练好的车型识别子模型对待识别图像中的待识别车辆进行车型识别，得到第二车型，将第二车型作为待识别车辆图像的车型结果进行输出，第二车型为初步车型集合中的其中一个车型。

由此，本实施例将多个相似车型的3D车身局部模型放置于同一真实场景下的三维初始模拟场景中，并通过不同角度的摄像头拍摄得到每一个车型的多张车辆场景模拟图像，以有效的增加一个车型所对应的训练图片数据，使得作为训练数据的图片更加符合真实场景且具有足够的训练数量，从而使得得到的车型识别子模型的车型识别准确性更高。

请参照图1，本发明的实施例三为：

车型识别方法，在上述实施例一的基础上，在本实施例中，在步骤S1之前还包括以下步骤：

S01、获取本地数据库中预设常用车型在不同角度拍摄的多张测试车辆图片；

S02、将车型识别模型的输出结果调整为输出相似度最高的前N个车型，此处N的设定参照实施例一的限定；

S03、将每一个预设常用车型的每一张测试车辆图片分别输入调整后的车型识别模型，以得到每一个预设常用车型的每一张测试车辆图片的前N个车型；

S04、对同一个预设常用车型的所有测试车辆图片的前N个车型进行汇总，得到每一个预设常用车型的相似车型；

S05、判断预设常用车型是否存在相似车型，若存在，则预先建立预设常用车型和其对应的相似车型的3D车身模型，若不存在，则忽略这个预设常用车型；

S06、对每一个预设常用车型重复执行上述步骤S05，以得到包括步骤S05中所有3D车身模型的3D模型数据库。

此时，步骤S2则具体包括以下步骤：

从车型识别模型中获取相似度排在前N个的车型识别结果作为初步车型集合，判断初步车型集合中每一个车型的3D车身模型是否在3D模型数据库中，若在，则获取对应车型的3D车身模型，否则重新建立3D车身模型，N为大于或等于2的正整数。

由此，在上述步骤S01中预设常用车型可以为市面上销量排名的车型，而在一种较佳的实施方式来说，可以通过征集或者其他渠道先得到车型较为相似的几种车型来作为预设常用车型。

由此，在步骤S2中，所有重新建立的3D车身模型都存储在3D模型数据库中。

请参照图2，本发明的实施例四为：

车型识别终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，处理器2执行计算机程序时实现上述实施例一的步骤。

综上，本发明提供的车型识别方法及终端，基于训练好的车型识别模型对待识别图像中的待识别车辆进行车型识别，并在不确定的情况下，选取多个车型识别结果来建立3D车身局部模型，并根据三维初始模拟场景和当前环境参数来还原不同角度下的多张车辆场景模拟图像，然后重新训练生成一个车型识别子模型或者更新车型识别模型，来得到最后的车型识别结果。从而进一步提高车型识别结果的准确度。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。