技术特征：
1.一种车辆车型的识别方法，其特征在于：包括如下步骤：s1.构建车辆模型库；s2.采集车辆经过目标测量区域时的时序图像以及点云信息；s3.对所述时序图像进行拼接处理，得到所述车辆经过目标测量区域的完整图像，并对所述车辆的完整图像进行识别，得到所述车辆的轴数；s4.对所述车辆的点云信息进行聚类处理，得到所述车辆的长度、宽度以及高度；s5.将所述车辆的轴数、长度、宽度以及高度作为所述车辆的外观轮廓参数，构建所述车辆的外观轮廓模型；s6.从所述车辆模型库中查找与所述车辆的外观轮廓模型相同的目标车辆，并将所述目标车辆的车型作为所述车辆的车型。2.根据权利要求1所述的车辆车型的识别方法，其特征在于：步骤s2中，使用全局曝光模式的相机采集车辆的时序图像，并使用激光雷达采集车辆的点云信息。3.根据权利要求1所述的车辆车型的识别方法，其特征在于：步骤s3中，对所述时序图像进行拼接处理，得到所述车辆经过目标测量区域的完整图像，具体包括：s31.确定时序图像中相邻帧图像之间的图像特征区域；s32.确定所述图像特征区域中的特征点，并生成所述特征点的描述子；s33.根据所述描述子对图像进行拼接，得到所述车辆的完整图像。4.根据权利要求3所述的车辆车型的识别方法，其特征在于：步骤s31中，根据如下公式确定所述图像特征区域：其中，f
target
为目标特征；f
target
＝1时表示前景；f
target
＝0时表示背景；f
d
(x,y)为相邻两帧图像之间的绝对值；x与y为相邻的两帧图像；t为设定的阈值。5.根据权利要求3所述的车辆车型的识别方法，其特征在于：所述步骤s32中，采用surf算法确定所述图像特征区域中的特征点，并生成所述特征点的描述子；其中，所述surf算法的核心矩阵h为：所述核心矩阵h的判别式det(h)为：所述f(x,y)表示图像，x、y为图像参数。6.根据权利要求5所述的车辆车型的识别方法，其特征在于：根据如下公式确定所述核心矩阵h：
其中，x为图像中的像素点；σ为所述像素点的尺度；h(x,σ)是图像中像素点的hessian矩阵；l
xx
(x,σ)、l
xy
(x,σ)、l
yy
(x,σ)分别是l
xx
、l
xy
、l
yy
对应的高斯微分算子；l
xx
、l
xy
、l
yy
为高斯滤波后的图像在各方向的二阶导数。7.根据权利要求1所述的车辆车型的识别方法，其特征在于：步骤s3中，对所述车辆的完整图像进行识别，得到所述车辆的轴数，具体包括：a.将图像二维坐标系的圆形检测问题转化为空间坐标系中点的检测问题；其中，圆形的笛卡尔空间表达式为：(x
‑
x1)2+(y
‑
y1)2＝r2；其中，x、y表示坐标向量，x1、y1表示圆心坐标，r表示圆的半径；b.对连续的图像边缘做离散化处理，并判断所有距离为r的像素点(x1,y1)的像素值是否大于0，若是，则将空间(x1,y1,r)的数值加1，若否，则不做处理；c.统计空间集合中(x1,y1,r)的数值大于设定空间阈值的空间个数，并将所述空间个数作为车辆的轴数。8.根据权利要求1所述的车辆车型的识别方法，其特征在于：步骤s4中，根据如下公式确定所述车辆的长度：l＝l
max
‑
l
min
其中，l
max
为点云数据中x轴对应的最大坐标值；l
min
为点云数据中x轴对应的最小坐标值；根据如下公式确定所述车辆的宽度：w＝w
max
‑
w
min
其中，w
max
为点云数据中y轴对应的最大坐标值；w
min
为点云数据中y轴对应的最小坐标值；根据如下公式确定所述车辆的高度：h＝h
max
‑
h
min
其中，h
max
为点云数据中z轴对应的最大坐标值；h
min
为点云数据中z轴对应的最小坐标值。