CN104077597B - 图像分类方法及装置 - Google Patents

Abstract

本公开是关于一种图像分类方法及装置，所述方法包括：对图像中待分类的对象进行图像分割，得到分割结果；从图像中提取所述对象的第一图像特征数据，以及从分割结果中提取对象的第二图像特征数据；对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；对所述特征向量进行训练，得到所述图像中所述对象的分类器；利用分类器对所述特征向量进行分类操作，得到对象的分类类别。本公开中，采用了图像分割技术对图像中的各个对象进行了分割，并提取分割结果中该对象的特征，以及进行编码和训练，得到该对象的分类器，然后利用该分类器对提取的该对象的特征进行分类操作，排除了图像中背景的干扰，提高了对象分类的识别精度。

Description

图像分类方法及装置

技术领域

本公开涉及图像分类技术领域，尤其涉及一种图像分类方法及装置。

背景技术

图像分类技术是一种从图像数据内容到图像的低层语义理解的重要技术。普通的图像分类技术，先对要测试的整张图像数据进行特征提取操作，包括SIFT特征、Dense SIFT特征、HOG特征等等。然后，采用相应的分类器训练算法对提取的特征进行训练得到分类器，最后，采用该分类器对要测试的图像中的对象进行分类。

在这种图像分类方式中，由于大部分图像数据中的对象其实仅仅占据图像数据的一小部分。如果对整张图像数据进行特征提取，不但存在背景数据的干扰，而且冗余的数据也比较多，并且对对象的其他特征数据(比如形状、方向等)没有充分利用，从而影响了图像分类技术的精度。

发明内容

为克服相关技术中存在的问题，本公开提供一种图像分类方法及装置，以解决相关技术中图像分类技术精度不高的技术问题。

根据本公开实施例的第一方面，提供一种图像分类方法，包括：

对图像中待分类的对象进行图像分割，得到分割结果；

从所述图像中提取所述对象的第一图像特征数据，以及从所述分割结果中提取所述对象的第二图像特征数据；

对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

对所述特征向量进行训练，得到所述图像中所述对象的分类器；

利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别。

可选的，所述从图像中提取所述对象的第一图像特征数据，包括：通过尺度不变特征变换SIFT算法、密集的尺度不变特征变换Dense SIFT算法或方向梯度直方图HOG算法从所述图像中提取所述对象的颜色特征数据和纹理特征数据，所述颜色特征数据和纹理特征数据称为第一图像特征数据；

所述从分割结果中提取所述对象的第二图像特征数据，包括：

将所述分割结果中对象的二值分割图像进行外接矩形对齐；

提取所述二值分割图像的外轮廓边缘的形状特征数据，所述外轮廓边缘的形状特征数据称为第二图像特征数据。

可选的，所述对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量，包括：

根据所述第一图像特征数据和所述第二图像特征数据构建特征包BOF模型；

利用所述BOF模型对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量。

可选的，所述对所述特征向量进行训练，得到所述图像中所述对象的分类器，包括：

对所述特征向量采用支持向量机SVM算法或深度学习DL算法进行训练，得到所述图像中所述对象的分类器。

根据本公开实施例的第二方面，提供一种图像分类装置，包括：

分割单元，用于对图像中待分类的对象进行图像分割，得到分割结果；

第一提取单元，用于从所述图像中提取所述对象的第一图像特征数据；

第二提取单元，用于从所述分割结果中提取所述对象的第二图像特征数据；

编码单元，用于对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

训练单元，用于对所述特征向量进行训练，得到所述图像中所述对象的分类器；

分类单元，用于利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别。

可选的，所述第一提取单元，用于通过尺度不变特征变换SIFT算法、密集的尺度不变特征变换Dense SIFT算法和方向梯度直方图HOG算法从所述图像中提取所述对象的颜色特征数据和纹理特征数据，所述颜色特征数据和纹理特征数据称为第一图像特征数据。

可选的，所述第二提取单元包括：

对齐单元，用于将所述分割结果中所述对象的二值分割图像进行外接矩形对齐；

提取子单元，用于提取所述二值分割图像的外轮廓边缘的形状特征数据，所述外轮廓边缘的形状特征数据称为第二图像特征数据。

可选的，所述编码单元包括:

构造单元，用于根据所述第一图像特征数据和所述第二图像特征数据构建特征包BOF模型；

编码子单元，用于利用所述BOF模型对所述第一图像特征数据和第二图像特征数据进行特征编码。

可选的，所述训练单元包括：

第一训练单元，用于对所述特征向量采用支持向量机SVM算法进行训练，得到所述图像中所述对象的分类器；和/或

第二训练单元，用于对所述特征向量采用深度学习DL算法进行训练，得到所述图像中所述对象的分类器。

根据本公开实施例的第二方面，提供一种图像分类装置装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

对图像中待分类的对象进行图像分割，得到分割结果；

从所述图像中提取所述对象的第一图像特征数据，以及从所述分割结果中提取所述对象的第二图像特征数据；

对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

对所述特征向量进行训练，得到所述图像中所述对象的分类器；

利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别。

本公开中，采用了图像分割技术对图像中的各个对象进行了分割，并提取分割结果中该对象的特征，以及进行编码和训练，得到该对象的分类器，然后利用该分类器对提取的该对象的特征进行分类操作，排除了原图像中背景的干扰，从而提高了对象分类的识别精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种图像分类方法的流程图；

图2A为根据一示例性实施例示出的一种图像的示意图；

图2B是对图2A进行图像分割后的效果示意图；

图3A为基于SIFT算法提取特征数据的过程示意图；

图3B为根据特征数据构造BOF模型直方图的示意图；

图4是根据一示例性实施例示出的一种图像分类装置的框图；

图5是根据一示例性实施例示出的一种图像分类装置的另一框图；

图6是根据一示例性实施例示出的一种图像分类装置的另一框图；

图7是根据一示例性实施例示出的一种图像分类装置的另一框图；

图8是根据一示例性实施例示出的一种图像分类装置的另一框图；

图9是根据一示例性实施例示出的一种图像分类的装置的另一框图(移动终端的一般结构)；

图10是根据一示例性实施例示出的一种图像分类的装置的另一框图(服务器的一般结构)。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

请参阅图1，图1是根据一示例性实施例示出的一种图像分类方法的流程图，如图1所示，所述方法用于终端中，所述方法包括：

在步骤101中，对图像中待分类的对象进行图像分割，得到分割结果；

其中，该步骤中，图像中的对象也可以称为图像中的物体，比如，图像中的人，动物，座椅等等。

该步骤中，可以采用多种图像分割算法对图像中的各个对象进行图像分割，比如，采用自动图像分割算法或交互式的图像分割算法等，当然，还可以采用精度较高的Matting算法。具体如图2A和2B所示，图2A为根据一示例性实施例示出的一种图像的示意图；图2B是对图2A进行图像分割后的效果示意图。

需要说明的是，在图2A和2B中的，图像中的对象以包括一个对象为例，在实际应用中，所述图像中可以包括多个对象。如图2A所示，该图像可以是彩色图像的，也可以是黑白图像的。

图2B为图2A分割后的分割效果图，该分割后的图像中只包括对象(比如狮子的图像)的外边缘轮廓形状，排除了图像中的背景图像，而图2B中的对象可以彩色图像，也可以是黑白图像，即二值分割图像。

本公开中，对于本领域技术人员来说，自动图像分割算法和交互式的图像分割算法的具体实现过程，已是熟知技术，在此不再赘述。

在步骤102中，从所述图像中提取所述对象的第一图像特征数据，以及从所述分割结果中提取所述对象的第二图像特征数据；

其中，从所述图像中提取所述对象的第一图像特征数据有很多种方式，本公开中，可以采用尺度不变特征变换(SIFT，Scale-invariant feature transform)算法、密集的尺度不变特征变换(Dense SIFT)算法或方向梯度直方图(HOG，(Histogram of OrientedGradient)算法等来提取所述图像中的对象的第一图像特征数据，所述第一图像特征数据可以包括颜色特征数据和纹理特征数据，但并不限于此，还可以适应性包括该对象的其他特征数据，本实施例不作限制。

其中，提取所述分割结果中所述对象的第二图像特征数据的方式也有多种，一种方式是：将所述分割结果中对象的二值分割图像进行外接矩形对齐；提取所述二值分割图像的外轮廓边缘的形状特征数据，所述外轮廓边缘的形状特征数据称为第二图像特征数据。但并不限于此，还可以包括其他二值分割图像的相关特征，本实施例不作限制。

其中，对二值分割图像的外轮廓边缘的形状特征数据进行提取的方法，包括但并不限于：不变矩方法或轮廓的傅立叶描述子方法等。

其中，二值分割图像是指每个像素不是黑就是白，其灰度值没有中间过渡的图像。

在步骤103中，对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

其中，该步骤中，对所述第一图像特征数据和第二图像特征数据可以按照特征包(BoF,Bag of Features)模型进行特征编码，但并不限于此，还可以是其他的编码方法，本实施例不作限制。所述BOF模型是将局部特征集合整体考虑，根据视觉码书量化局部特征并将其标记为视觉词汇，同时局部特征集被映射成一个关键词频率分布的直方图。

其具体的特征编码过程为：

首先，根据所述第一图像特征数据和所述第二图像特征数据构造BOF模型，得到视觉词汇(visual words)；具体如图3A和3B所示，图3A为基于SIFT算法提取特征数据的过程示意图，图3B为根据特征数据构造BOF模型直方图的示意图。

如图3A所示，先对分割后图像中的多个兴趣点进行检测，通过SIFT算法得到多个兴趣点的特征数据；图中以nSIFTS(128dim)表示。

本文中称为训练特征数据集；需要说明的是，多个兴趣点的特征数据，为分割后图像中对象上的各个点的特征数据，也就是第一图像特征数据和所述第二图像特征数据；

然后，根据所述训练特征数据集构造BOF模型直方图，即视觉词汇。如图3B所示。

需要说明的是，在该BOF模型直方图的构造过程中，与相关技术的实现过程类似，其不同之处，在于本实施例中，使用的特征是图像分割后提取所述对象的特征数据。

然后，根据所述BOF模型对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量。

在步骤104中，对所述特征向量进行训练，得到所述图像中所述对象的分类器；

在步骤103得到编码后的特征向量后，对所述特征向量进行训练，得到图像中所述对象的分类器(或分类器模型)，其训练的算法有多种，本实施例可以采用支持向量机(SVM，(Support Vector Machine))算法或深度学习(DL，deep learning)算法进行训练，当然，还可以采用其他的算法，本实施例不作限制。其中，SVM算法和DL算法的实现过程，对于本领域技术人员来说，已是熟知技术，在此不再赘述。

在步骤105中，利用所述分类器对所述特征向量进行分类，得到所述对象的分类类别。

该步骤中，利用所述分类器对上述提取的所述对象的特征向量进行分类操作，从而获取到该对象的分类类别。

也就是说，如果要确定一幅图像中对象的分类类型，需要按照上述步骤101至103的方式提起该图像中的对象的相应特征，并编码，然后采用步骤104中对该特征进行训练，得到该对象的分类器，并采用该分类器对该对象的特征数据进行分类，从而得到该对象的分类结果。

本公开中，采用了图像分割技术对图像中的各个对象进行了分割，并提取分割结果中该对象的特征，以及进行编码和训练，得到该对象的分类器，然后利用该分类器对提取的该对象的特征进行分类操作，排除了图像中背景的干扰，从而提高了对象分类的识别精度。

还请参阅图4，图4是根据一示例性实施例示出的一种图像分类装置的框图。参照图4，该装置包括：分割单元141，第一提取单元142、第二提取单元143、编码单元144、训练单元145和分类单元146。其中，

该分割单元141被配置为对图像中待分类的对象进行图像分割，得到分割结果；

该第一提取单元142被配置为从所述图像中提取所述对象的第一图像特征数据；

该第二提取单元143被配置为从所述分割结果中提取所述对象的第二图像特征数据；

该编码单元144被配置为对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

该训练单元145被配置为对所述特征向量进行训练，得到所述图像中所述对象的分类器；

该分类单元146被配置为利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别。

可选的，该第一提取单元142被配置为通过尺度不变特征变换SIFT算法、密集的尺度不变特征变换Dense SIFT算法和方向梯度直方图HOG算法从所述图像中提取所述对象的颜色特征数据和纹理特征数据，所述颜色特征数据和纹理特征数据称为第一图像特征数据。

可选的，该第二提取单元143包括：对齐单元1431和提取子单元1432，其框图如图5所示，其中，

该对齐单元1431被配置为将所述分割结果中所述对象的二值分割图像进行外接矩形对齐；

该提取子单元1432被配置为提取所述二值分割图像的外轮廓边缘的形状特征数据，所述外轮廓边缘的形状特征数据称为第二图像特征数据。

可选的，该编码单元144包括:构造单元1441和编码子单元1442，其框图如图6所示，其中，

该构造单元1441被配置为根据所述第一图像特征数据和所述第二图像特征数据构建BOF模型；

该编码子单元1442被配置为利用所述BOF模型对所述第一图像特征数据和第二图像特征数据进行特征编码。

可选的，该训练单元145包括：第一训练单元1451和/或第二训练单元1452，其框图如图7所示，该图7中，以同时包括第一训练单元1451和第二训练单元1452为例，其中，

该第一训练单元1451被配置为对所述特征向量采用支持向量机SVM算法进行训练，得到所述图像中所述对象的分类器；

该第二训练单元1452被配置为对所述特征向量采用深度学习DL算法进行训练，得到所述图像中所述对象的分类器。

所述装置中的各个单元执行操作的具体方式具体详见上述方法中对应步骤的实现过程，在此不再赘述。

本公开中，采用了图像分割技术对待分类图像中的各个对象进行了分割，并提取分割结果中该对象的特征，以及进行编码和训练，得到该对象的分类器，然后利用该分类器对提取的该对象的特征进行分类操作，排除了图像中背景的干扰，从而提高了对象分类的识别精度。

基于上述实施例的实现过程，本公开还通过一种图像分类装置，其框图如图8所示，所述图像分类装置8包括处理器81，和存储处理器可执行指令的存储器82，其中，所述处理器81被配置为：

对图像中待分类的对象进行图像分割，得到分割结果；

从所述图像中提取所述对象的第一图像特征数据，以及从所述分割结果中提取所述对象的第二图像特征数据；

对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

对所述特征向量进行训练，得到所述图像中所述对象的分类器；

利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别。

所述装置中的处理器执行操作的具体方式具体详见上述方法中对应步骤的实现过程，在此不再赘述。

图9是根据一示例性实施例示出的一种用于图像分类的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近对象的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本公开还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种图像分类方法，所述方法包括：

对图像中待分类的对象进行图像分割，得到分割结果；

从所述图像中提取所述对象的第一图像特征数据，以及从所述分割结果中提取所述对象的第二图像特征数据；

对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

对所述特征向量进行训练，得到所述图像中所述对象的分类器；

利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别

图10是根据一示例性实施例示出的一种用于图像分类的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图10，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述图像分类方法的各个步骤。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (7)

1.一种图像分类方法，其特征在于，包括：

对图像中待分类的对象进行图像分割，得到分割结果；

从所述图像中提取所述对象的第一图像特征数据，以及从所述分割结果中提取所述对象的第二图像特征数据；

对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

对所述特征向量进行训练，得到所述图像中所述对象的分类器；

利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别；

所述从图像中提取所述对象的第一图像特征数据，包括：通过尺度不变特征变换SIFT算法、密集的尺度不变特征变换Dense SIFT算法或方向梯度直方图HOG算法从所述图像中提取所述对象的颜色特征数据和纹理特征数据，所述颜色特征数据和纹理特征数据称为第一图像特征数据；

所述从分割结果中提取所述对象的第二图像特征数据，包括：

将所述分割结果中对象的二值分割图像进行外接矩形对齐；

提取所述二值分割图像的外轮廓边缘的形状特征数据，所述外轮廓边缘的形状特征数据称为第二图像特征数据。

2.根据权利要求1所述的方法，其特征在于，所述对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量，包括：

根据所述第一图像特征数据和所述第二图像特征数据构建特征包BOF模型；

利用所述BOF模型对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量。

3.根据权利要求1所述的方法，其特征在于，所述对所述特征向量进行训练，得到所述图像中所述对象的分类器，包括：

对所述特征向量采用支持向量机SVM算法或深度学习DL算法进行训练，得到所述图像中所述对象的分类器。

4.一种图像分类装置，其特征在于，包括：

分割单元，用于对图像中待分类的对象进行图像分割，得到分割结果；

第一提取单元，用于从所述图像中提取所述对象的第一图像特征数据；

第二提取单元，用于从所述分割结果中提取所述对象的第二图像特征数据；

编码单元，用于对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

训练单元，用于对所述特征向量进行训练，得到所述图像中所述对象的分类器；

分类单元，用于利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别；

所述第一提取单元，用于通过尺度不变特征变换SIFT算法、密集的尺度不变特征变换Dense SIFT算法和方向梯度直方图HOG算法从所述图像中提取所述对象的颜色特征数据和纹理特征数据，所述颜色特征数据和纹理特征数据称为第一图像特征数据；

所述第二提取单元包括：

对齐单元，用于将所述分割结果中所述对象的二值分割图像进行外接矩形对齐；

提取子单元，用于提取所述二值分割图像的外轮廓边缘的形状特征数据，所述外轮廓边缘的形状特征数据称为第二图像特征数据。

5.根据权利要求4所述的装置，其特征在于，所述编码单元包括:

构造单元，用于根据所述第一图像特征数据和所述第二图像特征数据构建特征包BOF模型；

编码子单元，用于利用所述BOF模型对所述第一图像特征数据和第二图像特征数据进行特征编码。

6.根据权利要求4所述的装置，其特征在于，所述训练单元包括：

第一训练单元，用于对所述特征向量采用支持向量机SVM算法进行训练，得到所述图像中所述对象的分类器；和/或

第二训练单元，用于对所述特征向量采用深度学习DL算法进行训练，得到所述图像中所述对象的分类器。

7.一种图像分类装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

对图像中待分类的对象进行图像分割，得到分割结果；

从所述图像中提取所述对象的第一图像特征数据，以及从所述分割结果中提取所述对象的第二图像特征数据；

对所述第一图像特征数据和第二图像特征数据进行特征编码，得到编码后的特征向量；

对所述特征向量进行训练，得到所述图像中所述对象的分类器；

利用所述分类器对所述特征向量进行分类操作，得到所述对象的分类类别；

所述从图像中提取所述对象的第一图像特征数据，包括：通过尺度不变特征变换SIFT算法、密集的尺度不变特征变换Dense SIFT算法或方向梯度直方图HOG算法从所述图像中提取所述对象的颜色特征数据和纹理特征数据，所述颜色特征数据和纹理特征数据称为第一图像特征数据；

所述从分割结果中提取所述对象的第二图像特征数据，包括：

将所述分割结果中对象的二值分割图像进行外接矩形对齐；

提取所述二值分割图像的外轮廓边缘的形状特征数据，所述外轮廓边缘的形状特征数据称为第二图像特征数据。