1.一种基于特征重校准的图像识别与分类方法，其特征在于，包括：获取车辆图像数据；

将所述车辆图像数据进行识别和分类，得到训练数据集；

通过所述训练数据集对预设网络进行训练，得到训练结果；

根据所述训练结果和所述车辆图像数据，生成车辆识别与分类结果；

所述对预设网络进行训练，包括使用嵌入SE单元的VGG‑16作为特征提取网络,使用K‑means聚类和RPN相结合设计分类网络,ReLU作为激活函数,来设计检测网络；使RPN和所述检测网络进行联合训练；

所述根据训练结果和所述车辆图像数据，生成车辆识别与分类结果，包括；

利用检测网络进行汇集操作,通过bbox分类网络对区域进行分类,并通过bbox回归网络预测车辆的边界框；在检测网络中有两个并行的输出层,分类层的输出是每个候选区域在行人和背景上的概率分布；每个候选区域对于车辆和背景这两个类别的概率分布是p=(p0,p1)；回归网络的输出是车辆边界框坐标的参数: ,其中k代表类别；

边界 框回归 网络 和边界 分类网 络通 过如下 联合 损失函 数进行 训练 : ， 指的是实际类别的对数损失； 只有当检测到的是车辆时才会激活。

2.根据权利要求1所述的方法，其特征在于，所述将所述车辆图像数据进行识别和分类，得到训练数据集包括：根据所述车辆图像数据，获取车辆边框数据和车辆分类数据；

通过所述车辆边框数据和所述车辆分类数据，生成数据集文件；

将所述车辆边框数据和所述车辆分类数据汇总入所述数据集文件中，得到所述训练数据集。

3.根据权利要求1所述的方法，其特征在于，在所述通过所述训练数据集对预设网络进行训练，得到训练结果之后，所述方法还包括：对所述训练结果进行测试。

4.根据权利要求1所述的方法，其特征在于，在所述根据所述训练结果和所述车辆图像数据，生成车辆识别与分类结果之后，所述方法还包括：将所述车辆识别与分类结果进行展示。

5.一种基于特征重校准的图像识别与分类装置，其特征在于，包括：获取模块，用于获取车辆图像数据；

识别模块，用于将所述车辆图像数据进行识别和分类，得到训练数据集；

训练模块，用于通过所述训练数据集对预设网络进行训练，得到训练结果；

生成模块，用于根据所述训练结果和所述车辆图像数据，生成车辆识别与分类结果；

所述对预设网络进行训练，包括使用嵌入SE单元的VGG‑16作为特征提取网络,使用K‑means聚类和RPN相结合设计分类网络,ReLU作为激活函数,来设计检测网络；使RPN和所述检测网络进行联合训练；

所述根据训练结果和所述车辆图像数据，生成车辆识别与分类结果，包括；

利用检测网络进行汇集操作,通过bbox分类网络对区域进行分类,并通过bbox回归网络预测车辆的边界框；在检测网络中有两个并行的输出层,分类层的输出是每个候选区域在行人和背景上的概率分布；每个候选区域对于车辆和背景这两个类别的概率分布是p=(p0,p1)；回归网络的输出是车辆边界框坐标的参数:  ,其中k代表类别；边界框回归网络和边界分类网络通过如下联合损失函数进行训练: ， 指的是实际类别的对

数损失； 只有当检测到的是车辆时才会激活。

6.根据权利要求5所述的装置，其特征在于，所述识别模块包括：获取单元，用于根据所述车辆图像数据，获取车辆边框数据和车辆分类数据；

生成单元，用于通过所述车辆边框数据和所述车辆分类数据，生成数据集文件；

汇总单元，用于将所述车辆边框数据和所述车辆分类数据汇总入所述数据集文件中，得到所述训练数据集。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：测试模块，用于对所述训练结果进行测试。

8.根据权利要求5所述的装置，其特征在于，所述装置还包括：展示模块，用于将所述车辆识别与分类结果进行展示。

9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。

10.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。