1.一种基于CNN多特征联合和多核稀疏表示的车型识别方法，包括以下步骤：

1)采集车辆图像，将采集到的车辆图像分为训练样本和测试样本，对车辆图像进行预处理，调整图片像素，并对图片添加标签，标注图像的所属车型类别，其中，训练样本表示为X＝[x1，x2，…，xn]，n表示训练样本个数，测试样本表示为y；

2)基于CNN自动提取样本各层级的车辆图像特征，得到车辆特征向量；

3)对车辆特征向量进行基于多核的非线性映射，转换到高维的特征空间；

4)对高维的特征空间进行样本空间转换，减少核空间特征参数的维数；

5)优化约束函数，求解稀疏表示系数向量；

6)定义满足类间重构误差最大且类内重构误差最小的目标函数；

7)优化求解核函数权值和投影系数矩阵；

8)基于求得的核函数权值和投影系数矩阵，根据测试样本的核稀疏最小重构误差实现对车辆类型的识别。

2.如权利要求1所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法，其特征在于：步骤2)中：基于CNN中AlexNet网络，设计5个卷积层与3个全连接层：层1-5是卷积层，被用来提取车辆的局部特征，其中，层1、2、5在卷积滤波后有池化层；层6-7是全连接层，被用来提取车辆的全局特征；

利用CNN网络对训练样本进行训练，从CNN网络提取第1、2、5池化层和第6、7全连接层每一层的特征分量Ft，t＝1，2，3，4，5，F1，F2，F3，F4，F5分别对应第1、2、5、6、7层的特征分量，车辆特征分量经加权联合后得到车辆联合特征向量F＝(F1，F2，…，F5)。

3.如权利要求2所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法，其特征在于：步骤3)中：将车辆特征分量Ft分别输入到不同的基础单核函数κm中，核函数包括三个高斯核和两个线性核，κ1，κ2，κ3为高斯核，σ表示函数的宽度参数；κ4，κ5为线性核，κ4(xi，xj)＝xiTxj，κ5(xi，xj)＝(1+xiTxj)，i和j均为整数，i∈{1，2，...，n}，j∈{1，2，...，n}；

通过加权融合形成一个多核矩阵 m是整数，m∈{1，2，…，M}，M＝5，β表示加权融合过程中的核权重值；

基于多核矩阵对训练样本和测试样本进行非线性匹配，将原始特征空间转换到高维特征空间H0，在空间H0上训练样本矩阵表示为φ(X)＝[φ(x1)，φ(x2)，…，φ(xn)]，测试样本表示为φ(y)。

4.如权利要求3所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法，其特征在于：步骤4)中：将转换到高维特征空间H0的特征参数乘以一个低维的投影矩阵P，减少核空间特征参数的维数，P＝[P1，P2，…，Pd]∈Rm×d，d是投影空间的维数。

5.如权利要求4所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法，其特征在于：步骤5)中：基于稀疏编码理论利用l-2范数约束优化求解，得到稀疏表示系数向量α，约束优化公式为：其中，λ≥0，表示为了避免过拟合而加入的正则项，通过交叉验证来选择大小；矩阵A是投影矩阵P的系数矩阵，P＝φ(X)A； Km(i，y)＝κm(xi，y)；

Km(i，j)＝κm(xi，xj)，i和j均为整数，i∈{1，2，...，n}，j∈{1，2，...，n}。

6.如权利要求5所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法，其特征在于：步骤6)中：定义满足类间重构误差最大且类内重构误差最小的目标函数F(A，β)：其中，I为单位矩阵；Jb＝tr(ATKβSbKβA)，tr(·)表示矩阵的迹；

Sb为类间散度矩阵， ei是第i个元素为1其他元素为0的n维单位向量，αi表示第i个训练样本的稀疏表示系数向量，δs(αi)是一个n维向量，它的非零元素由矩阵αi中跟除第li类以外关联的位置元素组成，而跟第li类关联的位置元素为0，li表示车辆的类别，c为训练样本的类别个数；

Jw＝tr(AT(KβSwKβ+λI)A)，Sw为类内散度矩阵是一个n维向量，它的非零元素由矩阵αi中跟第li类关联的位置元素组成，除第li类以外的其他位置元素均为0。

7.如权利要求6所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法，其特征在于：步骤7)中：优化求解核函数权值β和投影系数矩阵A，将目标函数转化为：其中，ρ表示给定一个A和β后的极大值，

采用交替迭代的方法进行优化求解，重复迭代次数直到收敛，具体如下：优化求解A：

固定β，则目标函数为：

使用最小角回归算法求得最优解A；

优化求解β：

固定A，则目标函数为：

定义一个关于β的函数h(β)＝tr(AT(KβSbKβ-ρKβSwKβ-ρλI)A)；

对其求偏导

通过解二次规划问题 其中z是β在 方向上的映射，优化求解β。

8.如权利要求7所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法，其特征在于：步骤8)中：使用最小重构误差根据稀疏表示系数向量α分类样本y，重构误差表示为根据公式 进行车型识别分类。