物体分类方法、装置、电子设备及存储介质与流程

1.本技术涉及计算机视觉技术领域，具体涉及一种物体分类方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.近年来，计算机视觉技术快速地发展，计算机视觉技术是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。其中，分类任务，是计算机视觉技术中常用的处理任务。对物体进行准确地分类，对于某些应用场景，如统计某个场地是否出现某个物体、快件分拣等有着积极的意义。
3.在现有技术中，一般都是通过采集并针对每个类别的图像，对目标分类网络进行训练，以使得目标分类网络捕捉每个类别的特征信息，进而通过图像准确地识别出物体的类别。
4.但是，在对现有技术的研究和实践过程中，本发明的发明人发现，当待识别的物体中，同时存在有的物体之间特征差别较大、有的物体之间特征相似度较高时，由于现有的目标分类网络难以捕捉相似度较高的物体之间的差异特征，因此，分类结果也可能存在识别错误的情况。比如，在快递分拣场景下，需要识别分拣场地内铲车、叉车、人、工具这四个物体，由于铲车和叉车之间的相似度较高，因此很容易出现目标分类不准确的情况。由此可见，现有的目标分类网络较难准确地对物体进行细致分类，从而导致物体分类的准确率相对较低。


技术实现要素：

5.本技术提供一种物体分类方法、装置、电子设备及计算机可读存储介质，旨在解决现有的目标分类网络较难准确地对物体进行细致分类，而导致物体分类的准确率相对较低的问题。
6.第一方面，本技术提供一种物体分类方法，所述方法包括：
7.获取包含待分类物体的状态图像；
8.对所述状态图像进行特征提取处理，得到所述状态图像的第一图像特征的信息；
9.根据所述第一图像特征的信息确定所述待分类物体的第一识别类别的信息；
10.当检测到所述第一识别类别的信息和预设的基准类别的信息相同时，获取所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息，其中，所述第二识别类别从属于所述第一识别类别。
11.第二方面，本技术提供一种物体分类装置，所述物体分类装置包括：
12.获取单元，用于获取包含待分类物体的状态图像；
13.处理单元，用于对所述状态图像进行特征提取处理，得到所述状态图像的第一图像特征的信息；
14.第一分类单元，用于根据所述第一图像特征的信息确定所述待分类物体的第一识
别类别的信息；
15.第二分类单元，用于当检测到所述第一识别类别的信息和预设的基准类别的信息相同时，获取所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息，其中，所述第二识别类别从属于所述第一识别类别。
16.在本技术一种可能的实现方式中，所述第二分类单元具体还用于：
17.当检测到所述第一识别类别的信息和所述预设的基准类别的信息相同时，根据所述第一识别类别的信息和所述状态图像进行特征提取处理，得到所述状态图像的第二图像特征的信息；
18.根据所述第二图像特征的信息，确定所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息。
19.在本技术一种可能的实现方式中，所述第一分类单元具体还用于：
20.当检测到所述第一识别类别的信息和所述预设的基准类别的信息不相同时，将所述第一识别类别的信息作为所述待分类物体的目标类别的信息。
21.在本技术一种可能的实现方式中，所述第一分类单元具体还用于：
22.将所述第一图像特征的信息输入预设级联分类网络的第一分类子网络，以使得所述第一分类子网络根据所述第一图像特征的信息确定所述待分类物体的第一识别类别的信息；
23.在本技术一种可能的实现方式中，所述第二分类单元具体还用于：
24.当检测到所述第一识别类别的信息和预设的基准类别的信息相同时，将所述状态图像输入所述预设级联分类网络的第二分类子网络，以使得所述第二分类子网络对所述状态图像进行特征提取处理得到所述状态图像的第二图像特征的信息，并根据所述第二图像特征的信息确定所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息。
25.在本技术一种可能的实现方式中，所述物体分类装置还包括训练单元，所述训练单元具体还用于：
26.获取样本图像、并获取所述样本图像的类别标签，其中，所述样本图像包括第一样本图像、第二样本图像和第三样本图像，所述类别标签包括第一类别标签和第二类别标签，所述第一类别标签包括所述第一样本图像的第一类别标签、所述第二样本图像的第一类别标签、以及所述第三样本图像的第一类别标签，所述第二类别标签包括所述第二样本图像的第二类别标签、以及所述第三样本图像的第二类别标签；
27.将所述样本图像输入预设模型的第一预设子网络，以使得所述第一预设子网络对所述样本图像进行特征提取得到所述样本图像的第一样本特征的信息，并根据所述第一样本特征的信息确定所述样本图像的第一预测类别的信息；
28.当检测到所述第一预测类别的信息为预设的基准类别的信息时，将所述样本图像输入所述预设模型的第二预设子网络，以使得所述第二预设子网络对所述样本图像进行特征提取得到所述样本图像的第二样本特征的信息，并根据所述第二样本特征的信息确定所述样本图像的第二预测类别的信息；
29.根据所述第一预测类别的信息、所述第二预测类别的信息、所述第一类别标签和所述第二类别标签，更新所述预设模型的模型参数，直至符合预设的停止训练条件时，将所
述预设模型作为预设级联分类网络。
30.在本技术一种可能的实现方式中，所述训练单元具体还用于：
31.获取待识别物体的原始图像；
32.调用预设的gan网络，根据所述原始图像生成多个增补图像；
33.将所述原始图像和所述增补图像作为样本图像。
34.在本技术一种可能的实现方式中，所述获取单元具体还用于：
35.获取在特定区域内采集的多个图像；
36.将所述多个图像作为所述状态图像；
37.在本技术一种可能的实现方式中，所述物体分类装置还包括统计单元，所述统计单元具体还用于：
38.所述方法还包括：
39.根据所述目标类别的信息，确定预设类别的物体在所述特定区域内的出现频率。
40.第三方面，本技术还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行本技术提供的任一种物体分类方法中的步骤。
41.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的物体分类方法中的步骤。
42.本技术通过获取包含待分类物体的状态图像；对状态图像进行特征提取处理，得到状态图像的第一图像特征的信息；根据第一图像特征的信息确定待分类物体的第一识别类别的信息；当检测到第一识别类别的信息和预设的基准类别的信息相同时，获取待分类物体的第二识别类别的信息，以作为待分类物体的目标类别的信息。一方面，可以基于图像实现对待分类物体的进行分类。
43.另一方面，由于通过先确定待分类物体的第一识别类别(即待分类物体所属的大类)，当待分类物体的第一识别类别(即待分类物体所属的大类)第一识别类别和预设的基准类别(即预设的需要进一步分类的大类)时，确定待分类物体的第二识别类别(即待分类物体所属的小类)，将待分类物体的第二识别类别作为待分类物体的目标类别。因此，可以实现对待分类物体进行细致分类。从而避免了现有的目标分类网络难以捕捉相似度较高的物体之间的差异特征的问题，提高了物体分类的准确率。
附图说明
44.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1是本技术实施例所提供的物体分类系统的场景示意图；
46.图2是本技术实施例中提供的物体分类方法的一个实施例流程示意图；
47.图3是本技术实施例提供的物体分类方法的另一个实施例流程示意图；
48.图4是本技术实施例中提供的状态图像的场景示意图；
49.图5是本技术实施例中提供的物体分类装置的一个实施例结构示意图；
50.图6是本技术实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
51.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
52.在本技术实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
53.为了使本领域任何技术人员能够实现和使用本技术，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实例中，不会对公知的过程进行详细阐述，以避免不必要的细节使本技术实施例的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符合本技术实施例所公开的原理和特征的最广范围相一致。
54.本技术实施例提供一种物体分类方法、装置、电子设备和计算机可读存储介质。其中，该物体分类装置可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。
55.首先，在介绍本技术实施例之前，先介绍下本技术实施例关于应用背景的相关内容。
56.计算机视觉技术(computer vision,cv)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
57.物体分类是计算机视觉技术中常用的处理任务。对物体进行准确地分类，对于某些应用场景，如统计某个场地是否出现某个物体、快件分拣等有着积极的意义。
58.例如，在物流领域中，中转场和相关网点内部经常会有人员，物资，工具细致分类的任务，在这里不仅仅是对大的类别分类准确，类内的小类别也需要分类清楚。
59.但是在实际应用中发现，采用现有目标分类网络进行物体分类时存在较大误差的问题，即存在较多对图片类别的错判。
60.统计错判类别图片数据的原因，本技术的发明人发现，错判的原因主要有两种情况，一种是由于小类别样本数目较少，而导致该部分数据无法在训练时被记住特征。另一种则是大类(如车)中的类内样本群(如板车、小货车)相似度极高，本应该属于不同的组内类别却被分到了一组，在细致分类上出错；如将小货车错判为板车。
61.基于现有的相关技术存在的上述缺陷，本技术实施例提供了物体分类方法，至少在一定程度上克服现有的相关技术所存在的缺陷。
62.本技术实施例物体分类方法的执行主体可以为本技术实施例提供的物体分类装置，或者集成了该物体分类装置的服务器设备、物理主机或者用户设备(user equipment，ue)等不同类型的电子设备，其中，物体分类装置可以采用硬件或者软件的方式实现，ue具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(personal digital assistant，pda)等终端设备。
63.该电子设备可以采用单独运行的工作方式，或者也可以采用设备集群的工作方式，通过应用本技术实施例提供的物体分类方法，可以准确地识别出需细致分类的物体、以及只需粗略分类的物体，进而提高了物体分类的准确率。
64.本技术实施例中，所谓物体分类，是指通过提取图像的特征，根据图像的特征识别出图像中所包含的物体的目标类别(如，对快件分拣区域的图像进行特征提取，并根据提取的图像特征识别出图像中所包含的物体为日用品、食品等)，该目标类别对某些应用场景，如统计某个场地是否出现某个物体、快件分拣等有着积极的意义。
65.参见图1，图1为本技术实施例所提供的物体分类系统的场景示意图。其中，该物体分类系统可以包括电子设备100，电子设备100中集成有物体分类装置。例如，该电子设备可以获取包含待分类物体的状态图像；对状态图像进行特征提取处理，得到状态图像的第一图像特征的信息；根据第一图像特征的信息确定待分类物体的第一识别类别的信息；当检测到第一识别类别的信息和预设的基准类别的信息相同时，获取待分类物体的第二识别类别的信息，以作为待分类物体的目标类别的信息。
66.另外，如图1所示，该物体分类系统还可以包括存储器200，用于存储数据，如存储图像数据、视频数据，例如部署在特定场景区域(如分拣场地)的摄像头在一段时间拍摄到的图像数据、视频数据等。
67.需要说明的是，图1所示的物体分类系统的场景示意图仅仅是一个示例，本技术实施例描述的物体分类系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着物体分类系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
68.下面，开始介绍本技术实施例提供的物体分类方法，本技术实施例中以电子设备作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体。
69.参照图2，图2为申请实施例中提供的物体分类方法的一个实施例流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。该物体分类方法包括步骤s10～s40，其中：
70.s10、获取包含待分类物体的状态图像。
71.其中，待分类物体可以是任意的物体。比如，在快递分拣场景下，需要识别分拣场地内的铲车，即为了对铲车进行分类，则待分类物体是指铲车。又如，需要识别分拣场地内的人，即为了对人进行分类，则待分类物体是指人。再如，需要识别分拣场地内的工具，即为了对工具进行分类，则待分类物体是指工具。
72.若没有特别指明，后续所简称的状态图像是指包含待分类物体的图像。
73.s20、对所述状态图像进行特征提取处理，得到所述状态图像的第一图像特征的信息。
74.其中，第一图像特征是指对状态图像进行特征提取处理后，所得到的状态图像的图像特征。
75.在一些实施例中，步骤s20可以通过卷积神经网络来实现。比如，可以将状态图像输入卷积神经网络，以使得卷积神经网络根据状态图像进行特征提取处理，得到状态图像的第一图像特征的信息。具体地，步骤s20“对所述状态图像进行特征提取处理，得到所述状态图像的第一图像特征的信息”的具体实施方式，可以参照以下步骤a2中“将所述样本图像输入预设模型的第一预设子网络，以使得所述第一预设子网络对所述样本图像进行特征提取得到所述样本图像的第一样本特征的信息”的实施方式，在此不再赘述。
76.s30、根据所述第一图像特征的信息确定所述待分类物体的第一识别类别的信息。
77.例如，首先，获取预设的第一类别回归函数。然后，根据预设的第一类别回归函数、第一图像特征的信息，确定状态图像中所包含的待分类物体的第一识别类别的信息。其中，预设的第一类别回归函数用于指示图像特征与物体所属的大类(即第一识别类别)之间的关系。
78.在一些实施例中，会预先通过人工根据分类习惯及经验对需要识别的多个物体(即待识别的物体，需要识别的物体的命名可以简单理解为最终的类别识别结果的命名)进行归类，确定每个物体所属的大类命名、所属的小类命名。其中，物体所属的大类命名用于识别物体所属的大类，物体所属的小类命名用于识别物体所属的小类。
79.其中，大类是指需要识别的物体中，特征差别相对较大的两种物体的类别。小类是指需要识别的物体类别中，特征相似度相对较高的两种物体的类别。
80.比如，需要识别出分拣场地内人、工具、铲车、叉车这4个物体，通过人工预先归类，确定人、工具、铲车、叉车分别所属的大类命名为“人”、“工具”、“车”、“车”，确定铲车、叉车分别所属的小类命名为“铲车”、“叉车”。
81.在一些实施例中，也可以通过电子设备对需要识别的物体进行归类，即本技术实施例中方法还包括：对待识别的多个物体进行预先归类，得到每个物体对应所属的大类命名、对应所属的小类命名。
82.具体地，首先，将待识别的每个物体所属的大类命名确定为该待识别的物体的命名。然后，获取待识别的多个物体的特征，并根据任意两个物体的特征，确定任意两个物体之间的特征相似度；其中，待识别的物体的特征可以通过图像来表征；例如，可以通过分别获取两个物体的图像，对比两个物体图像的像素点之间的相似度，并将两个物体图像的像素点之间的相似度作为两个物体之间的特征相似度。当检测到任意多个物体之间的特征相似度大于预设阈值时，将特征相似度大于预设阈值的任意多个物体(记为待分类物体)归类为同一大类，并确定该同一大类的大类命名；同时，一方面，采用该同一大类的大类命名，更新待分类物体所属的大类命名；另一方面，将待分类物体所属的小类命名确定为该待识别的物体的命名。并将特征相似度大于预设阈值的任意多个物体的大类命名，作为预设的基准类别(即步骤s40中的预设的基准类别)的命名。
83.比如，需要识别出分拣场地内人、工具、铲车、叉车这4个物体。首先，将待识别的每个物体(人、工具、铲车、叉车)所属的大类命名确定为该待识别的物体，得到人、工具、铲车、
叉车所属的大类命名分别为“人”、“工具”、“铲车”、“叉车”。在检测到任意多个物体(如铲车、叉车)之间的特征相似度(如90％)大于预设阈值(如70％)时，将铲车、叉车归类为同一大类，并确定该同一大类的大类命名(如“车”)；一方面，并采用该同一大类的大类命名(“车”)，更新铲车、叉车分别所属的大类命名“铲车”、“叉车”为“车”、“车”；另一方面，将铲车、叉车分别所属的小类命名确定为“铲车”、“叉车”。
84.由以上内容可以看出，每个物体都存在对应所属的大类命名，但有的物体存在对应所属的小类命名、有的物体不存在对应所属的小类命名。
85.在此，需要强调的是，这里不是简单地将每个待识别的物体进行归类到对应的大类、对应的小类；而是针对待识别的物体之间的特征相似度，确定是否需要将相似度较高的物体进一步划分为同一大类，以便后续可以针对某个大类的物体进一步提取特征确定物体的小类，以作为物体的目标类别，进而实现物体的细致分类。
86.当同时存在有的物体之间特征差别较大、而有的物体之间特征相似度较高时，为了精准地识别出物体的类别，先通过图像特征识别出物体所属的大类；再根据物体所属的大类命名进一步提取图像的特征，进而确定物体所属的小类，从而实现精准地识别出物体的类别。
87.步骤s30的目的正是在于识别出物体所属的大类。即第一识别类别是指待分类物体所属的大类，第一识别类别的命名即待分类物体所属的大类命名。
88.s40、当检测到所述第一识别类别的信息和预设的基准类别的信息相同时，获取所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息。
89.其中，第二识别类别从属于第一识别类别。即第一识别类别是指待分类物体所属的大类，第一识别类别是指待分类物体所属的小类。也即第二识别类别由第一识别类别进一步分类得到。
90.在本技术实施例中，在确定待分类物体的目标类别过程中，若待分类物体存在所属的小类，则将待分类物体的目标类别确定为待分类物体所属的小类。若待分类物体不存在所属的小类，则将待分类物体的目标类别确定为待分类物体所属的大类。
91.因此，需要识别出待分类物体所属的大类(即待分类物体的第一识别类别)、以及所属的小类(即待分类物体的第二识别类别)。
92.请参照图3，图3是本技术实施例提供的物体分类方法的另一个实施例流程示意图。
93.在本技术的一些实施例中，如图3所示，步骤s40具体可以包括以下步骤s41～s42，其中：
94.s41、当检测到所述第一识别类别的信息和所述预设的基准类别的信息相同时，根据所述第一识别类别的信息和所述状态图像进行特征提取处理，得到所述状态图像的第二图像特征的信息。
95.为了检测第一识别类别和预设的基准类别是否相同，如图3所示，在步骤s41还包括步骤s50：检测所述第一识别类别的信息和预设的基准类别的信息是否相同。
96.其中，预设的基准类别是指特征相似度大于预设阈值的任意多个物体所属的大类。预设的基准类别可以包括多个预设大类，比如，预设的基准类别可以包括命名为“车”的大类、命名为“工具”的大类。
97.具体地，首先，获取第一识别类别对应的命名信息，以及预设的基准类别对应大类的命名信息。然后，对比第一识别类别对应的命名信息、预设的基准类别对应大类的命名信息是否相同。如果第一识别类别对应的命名信息、预设的基准类别对应大类的命名信息相同，则确定第一识别类别的信息和预设的基准类别的信息相同。如果第一识别类别对应的命名信息、预设的基准类别对应大类的命名信息不相同，则确定第一识别类别的信息和预设的基准类别的信息不相同。
98.其中，“检测所述第一识别类别的信息和预设的基准类别的信息是否相同”的步骤之后，若检测到第一识别类别的信息和预设的基准类别的信息不相同，作为一种实施方式，可以将第一识别类别的信息作为待分类物体的目标类别的信息。作为另一种实施方式，也可以不作任何处理，由于步骤s30种已经确定待分类物体的第一识别类别的信息，因此也同样可以实现对待分类物体进行分类。
99.例如，若预设的基准类别为“车”(即预设的基准类别对应大类的命名信息为“车”)、第一识别类别为“工具”(第一识别类别对应的命名信息为“工具”)，则确定第一识别类别(“工具”)和预设的基准类别(“车”)不相同。若预设的基准类别为“车”、“工具”(即预设的基准类别对应大类的命名信息为“车”、“工具”)、第一识别类别为“工具”，则确定第一识别类别(“工具”)和预设的基准类别(“车”、“工具”中的“工具”)相同。
100.具体地，“根据所述第一识别类别的信息和所述状态图像进行特征提取处理，得到所述状态图像的第二图像特征的信息”可以通过神经网络来实现，其具体实施方式可以参照以下步骤a3中“将所述样本图像输入所述预设模型的第二预设子网络，以使得所述第二预设子网络对所述样本图像进行特征提取得到所述样本图像的第二样本特征的信息”的实施方式，在此不再赘述。
101.s42、根据所述第二图像特征的信息，确定所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息。
102.其中，步骤s42的目的正是在于识别出物体所属的小类。即第二识别类别是指待分类物体所属的小类，第二识别类别的命名即待分类物体所属的小类命名。
103.例如，首先，获取预设的第二类别回归函数。然后，根据预设的第二类别回归函数、第二图像特征的信息，确定状态图像中所包含的待分类物体的第二识别类别的信息，并将待分类物体的第二识别类别的信息作为待分类物体的目标类别的信息。其中，预设的第二类别回归函数用于指示图像特征与物体所属的小类(即第二识别类别)之间的关系。预设的第一类别回归函数与预设的第二类别回归函数的区别在于：预设的第一类别回归函数用于根据第一图像特征回归出物体所属的大类(即第一识别类别)，预设的第二类别回归函数用于根据第二图像特征回归出物体所属的小类(即第二识别类别)。
104.比如，根据第二图像特征的信息和预设的第二类别回归函数，确定状态图像中所包含的待分类物体的第二识别类别为“铲车”，则将“铲车”作为待分类物体的目标类别。
105.由以上内容可以看出，通过对比待分类物体的第一识别类别(即待分类物体所属的大类)与预设的基准类别是否相同，当待分类物体的第一识别类别与预设的基准类别时，进一步基于状态图像识别识别出待分类物体的第二识别类别(即待分类物体所属的小类)，以作为待分类物体的目标类别，可以提高目标类别的细致度，进而实现对相似度较高的物体进行精确的分类。
106.由于在某些场景下，在待识别的物体中同时包含了相似度较高的物体、特征差别较大的物体，为了能实现精准地分类，除了获取细致分类后得到的第二识别类别作为待分类物体的目标类别外，还需将第一识别类别作为待分类物体的目标类别。
107.如图3所示，为此，该物体分类方法还包括步骤s60：当检测到所述第一识别类别的信息和所述预设的基准类别的信息不相同时，将所述第一识别类别的信息作为所述待分类物体的目标类别的信息。
108.由以上内容可以看出，当第一识别类别和预设的基准类别不相同时，将第一识别类别作为待分类物体的目标类别。针对某些物体，如无需细致分类的待分类物体，采用第一识别类别(即待分类物体所属的大类)作为待分类物体的目标类别，同样可以实现精确的分类，进而实现对只需粗略分类的物体进行精确的分类。
109.由此可见，通过本技术实施例，在待识别的物体同时包括特征差别较大的物体、特征相似度较高的物体时，可以提高物体分类的准确率。
110.在本技术的一些实施例中，步骤s40具体可以包括以下步骤(1)～(4)，其中：
111.(1)当检测到第一识别类别的信息和预设的基准类别的信息相同时，根据第一识别类别的信息和状态图像进行特征提取处理，得到状态图像的第二图像特征的信息。
112.(2)根据第二图像特征的信息，确定待分类物体的第二识别类别的信息。
113.(3)进一步检测第二识别类别的信息和预设的基准类别的信息是否相同。
114.(4)当检测到第二识别类别的信息和预设的基准类别的信息相同时，将步骤(3)得到的“第二识别类别的信息”作为“第一识别类别的信息”重复以上步骤(1)～(3)，直至第二识别类别的信息和预设的基准类别的信息不相同时，将待分类物体的第二识别类别的信息作为待分类物体的目标类别的信息。
115.在本技术的一些实施例中，以上步骤s20～s40可以通过机器学习模型来实现。例如，以上步骤s20～s40可以通过预设级联分类网络来实现，该预设级联分类网络通过机器学习模型训练得到，该预设级联分类网络可以包括第一分类子网络和第二子分类网络。
116.其中，第一分类子网络用于识别状态图像中所包含的待分类物体所属的大类，即用于确定待分类物体的第一识别类别的信息。第一分类子网络可以是开源的peleenet网络、或是开源的mobilenet网络。
117.第二分类子网络用于识别状态图像中所包含的待分类物体所属的小类，即用于确定待分类物体的第二识别类别的信息。第二分类子网络也可以是开源的peleenet网络、或是开源的mobilenet网络。
118.在本技术的一些实施例中，该预设级联分类网络通过以下步骤a1～a4训练得到，其中：
119.a1、获取样本图像、并获取所述样本图像的类别标签。
120.其中，样本图像包括第一样本图像、第二样本图像和第三样本图像，类别标签包括第一类别标签和第二类别标签，第一类别标签包括第一样本图像的第一类别标签、第二样本图像的第一类别标签、以及第三样本图像的第一类别标签，第二类别标签包括第二样本图像的第二类别标签、以及第三样本图像的第二类别标签。
121.第一样本图像的第一类别标签用于指示第一样本图像中所包含的物体所属的大类。第二样本图像的第一类别标签用于指示第二样本图像中所包含的物体所属的大类。第
三样本图像的第一类别标签用于指示第三样本图像中所包含的物体所属的大类。
122.第二样本图像的第二类别标签用于指示第二样本图像中所包含的物体所属的小类。第三样本图像的第二类别标签用于指示第三样本图像中所包含的物体所属的小类。
123.其中，样本图像中所包含的物体会被预先归类，确定每个物体所属的大类命名、所属的小类命名。物体所属的大类命名用于识别样本图像中所包含的物体所属的大类，物体所属的小类命名用于识别样本图像中所包含的物体所属的小类。
124.这里，第一样本图像是指第一样本图像中所包含的物体存在对应所属的大类，但不存在对应所属的小类的图像。第一样本图像可以是多个图像，每个图像对应包含一个具体类别的物体。
125.第二样本图像是指第二样本图像中所包含的物体存在对应所属的大类，同时存在对应所属的小类的图像。第二样本图像可以是多个图像，每个图像对应包含一个具体类别的物体。
126.第三样本图像是指第三样本图像中所包含的物体存在对应所属的大类，同时存在对应所属的小类的图像。第三样本图像可以是多个图像，每个图像对应包含一个具体类别的物体。
127.其中，第二样本图像和第三样本图像的区别在于图像中所包含的物体所属的具体小类不相同。比如，第二样本图像所包含的物体所属的大类为“车”、所属的具体小类“货车”；第三样本图像所包含的物体所属的大类为“车”、所属的具体小类“拖车”。此处区分第二样本图像和第三样本图像的目的在于，强调用于训练预设级联分类网络的图像数据集包括两个特征相似度较大的类别的物体图像。
128.此处还区分第一样本图像、第二样本图像、第三样本图像的目的在于，强调用于训练预设级联分类网络的图像数据集既包括两个特征相似度较大的类别的物体图像、也包括两个特征差异较大的类别的物体图像。本领域技术人员可以理解的是，此处并非是强调让预设级联分类网络只学习三个类别的特征，可以针对具体业务场景对第一样本图像、第二样本图像、第三样本图像的数量进行调整，以使得预设级联分类网络可以学习多个类别的特征，进而可以识别出多个类别的物体。
129.在本技术的一些实施例中，步骤a1具体可以包括：获取待识别物体的原始图像；调用预设的gan网络，根据所述原始图像生成多个增补图像；将所述原始图像和所述增补图像作为样本图像。
130.其中，gan网络(generative adversarial networks，生成式对抗网络)可以根据原始图像生成新的图像，从而实现数据增强。
131.由以上内容可以看出，通过采用预设的gan网络，可以提高样本的数据量，进而避免由于样本的图像获取困难等原因，而导致物体的特征无法被预设级联分类网络记住，进而导致分类准确率较低的问题。可见，通过采用预设的gan网络提高样本的数据量，可以提高预设级联分类网络的分类精确度。
132.a2、将所述样本图像输入预设模型的第一预设子网络，以使得所述第一预设子网络对所述样本图像进行特征提取得到所述样本图像的第一样本特征的信息，并根据所述第一样本特征的信息确定所述样本图像的第一预测类别的信息。
133.其中，第一预设子网络对应设置了第一损失函数，以使得第一预设子网络能够学
习到图像中物体所属的大类的类别信息。第一损失函数对应于第一预设子网络输出的第一预测类别进行设置。
134.其中，第一预测类别用于指示样本图像中所包含的物体所属的大类。
135.第一预设子网络可以包括特征提取层、预测输出层。特征提取层，用于对样本图像进行特征提取得到样本图像的第一样本特征；特征提取层可以是卷积神经网络(convolutional neural networks,cnn)。预测输出层，用于根据第一预设子网络对应的第一预测函数、第一样本特征，预测并输出样本图像的第一预测类别。
136.例如，在将样本图像(包括第一样本图像、第二样本图像、第三样本图像，所包含物体的实际类别分别为“人”、“收纳箱”、“手推车”)输入预设模型的第一预设子网络后，第一预设子网络的特征提取层对第一样本图像(所包含物体的实际类别为“人”)进行特征提取，得到第一样本图像的第一样本特征的信息。第一预设子网络的特征提取层对第二样本图像(所包含物体的实际类别为“收纳箱”)进行特征提取，得到第二样本图像的第一样本特征的信息。第一预设子网络的特征提取层对第三样本图像(所包含物体的实际类别为“手推车”)进行特征提取，得到第三样本图像的第一样本特征的信息。
137.第一预设子网络的预测输出层根据其对应的第一预测函数、第一样本图像的第一样本特征的信息，预测并输出第一样本图像的第一预测类别为“人”。第一预设子网络的预测输出层根据其对应的第一预测函数、第二样本图像的第一样本特征的信息，预测并输出第二样本图像的第一预测类别为“工具”。第一预设子网络的预测输出层根据其对应的第一预测函数、第三样本图像的第一样本特征的信息，预测并输出第三样本图像的第一预测类别为“车”。
138.a3、当检测到所述第一预测类别的信息为预设的基准类别的信息时，将所述样本图像输入所述预设模型的第二预设子网络，以使得所述第二预设子网络对所述样本图像进行特征提取得到所述样本图像的第二样本特征的信息，并根据所述第二样本特征的信息确定所述样本图像的第二预测类别的信息。
139.其中，第二预设子网络对应设置了第二损失函数，以使得第二预设子网络能够学习到图像中物体所属的小类的类别信息。第二损失函数对应于第二预设子网络输出的第二预测类别进行设置。
140.其中，第一预测类别用于指示样本图像中所包含的物体所属的大类。
141.第二预设子网络同样可以包括特征提取层、预测输出层。特征提取层，用于对样本图像进行特征提取得到样本图像的第二样本特征的信息；特征提取层可以是卷积神经网络(convolutional neural networks,cnn)。预测输出层，用于根据第二预设子网络对应的第二预测函数、第二样本特征的信息，预测并输出样本图像的第二预测类别的信息。
142.为了方便理解，接以上步骤a2中的例子继续说明。例如，预设的基准类别为“工具”、“车”。由于第二样本图像的第一预测类别为“工具”、第三样本图像的第一预测类别为“车”，因此，将第二样本图像、第三样本图像分别输入预设模型的第二预设子网络。
143.第二预设子网络的特征提取层对第二样本图像(所包含物体的实际类别为“收纳箱”)进行特征提取，得到第二样本图像的第二样本特征的信息。第二预设子网络的特征提取层对第三样本图像(所包含物体的实际类别为“手推车”)进行特征提取，得到第三样本图像的第二样本特征的信息。
144.第二预设子网络的预测输出层根据其对应的第二预测函数、第二样本图像的第二样本特征的信息，预测并输出第二样本图像的第二预测类别为“收纳箱”。第二预设子网络的预测输出层根据其对应的第二预测函数、第三样本图像的第二样本特征的信息，预测并输出第三样本图像的第二预测类别为“手推车”。
145.a4、根据所述第一预测类别的信息、所述第二预测类别的信息、所述第一类别标签和所述第二类别标签，更新所述预设模型的模型参数，直至符合预设的停止训练条件时，将所述预设模型作为预设级联分类网络。
146.其中，预设的停止训练条件可以根据实际需求而设置。例如，可以是当训练总损失值小于预设值时，或者是训练总损失值基本不再变化时，即相邻多次训练对应的训练总损失值的差值小于预设值；或者是预设模型训练的迭代次数达到最大迭代次数时。
147.具体地，一方面，根据第一预测类别的信息和第一类别标签，确定第一预设子网络的模型损失值。另一方面，根据第二预测类别的信息和第二类别标签，确定第二预设子网络的模型损失值。然后，根据第一预设子网络的模型损失值和第二预设子网络的模型损失值，确定预设模型的训练总损失值。并根据预设模型的训练总损失值更新预设模型的模型参数(包括第一预设子网络对应的第一预测函数、第二预设子网络对应的第一预测函数)，直至符合预设的停止训练条件时，将预设模型作为预设级联分类网络。此时，可将预设级联分类网络应用于确定图像所包含的待分类物体的第一识别类别的信息、第二识别类别的信息。
148.与训练好的预设网络模型对应，预设级联分类网络可以包括第一分类子网络、第二分类子网络。第一分类子网络对应的第一归类函数、第二分类子网络对应的第二归类函数分别为第一预设子网络的第一预测函数、第二预设子网络的第一预测函数。
149.其中，第一分类子网络对应的第一归类函数用于指示图像特征与物体所属的大类(即第一识别类别)之间的数据关系。第二分类子网络对应的第二归类函数用于指示图像特征与物体所属的大类(即第二识别类别)之间的数据关系。
150.预设级联分类网络的第一分类子网络、第二分类子网络的工作原理，与步骤a2、a3中所描述的预设模型的第一预设子网络、第二预设子网络的工作原理相类似，在此不再赘述。
151.其中，通过第一损失函数计算第一预设子网络的模型损失值，将样本图像的第一预测类别和样本图像第一类别标签所对应的类别信息代入第一损失函数，即可得到第一预设子网络的模型损失值。
152.通过第二损失函数计算第二预设子网络的模型损失值，将样本图像的第二预测类别和样本图像第二类别标签所对应的类别信息代入第二损失函数，即可得到第二预设子网络的模型损失值。
153.由以上内容可以看出，基于标注了(与样本图像中的物体所属大类对应的)第一类别标签、(与样本图像中的物体所属小类对应的)第二类别标签的样本图像，对预设模型进行训练。使得训练好的预设模型(即使得预设级联分类网络)可以捕捉特征差别较大的物体之间(即物体所属大类之间)的差异特征、并捕捉特征相似度较高的物体之间(即物体所属小类之间)的差异特征。
154.其中，由于第一预设子网络结合标注了第一类别标签的第一样本图像、第二样本图像和第三样本图像进行训练，因此使得训练好的第一预设子网络(即预设级联分类网络
的第一分类子网络)可以捕捉特征差别较大的物体之间(即物体所属大类之间)的差异特征。由于第二预设子网络结合标注了第二类别标签的第二样本图像和第三样本图像进行训练，因此使得训练好的第二预设子网络(即预设级联分类网络的第二分类子网络)可以捕捉特征相似度较高的物体之间(即物体所属小类之间)的差异特征。
155.可见，通过预设级联分类网络进行分类，避免了当待识别的物体中，同时存在有的物体之间特征差别较大、而有的物体之间特征相似度较高时，现有的目标分类网络难以捕捉相似度较高的物体之间的差异特征的问题。从而可以采用同一个模型(即预设级联分类网络)准确地识别需细致分类的物体、以及只需粗略分类的物体，进而提高了物体分类的准确率。
156.在本技术的一些实施例中，步骤s20通过预设级联分类网络时，步骤s20具体可以包括：将所述第一图像特征的信息输入预设级联分类网络的第一分类子网络，以使得所述第一分类子网络根据所述第一图像特征的信息确定所述待分类物体的第一识别类别。
157.具体地，将第一图像特征的信息输入预设级联分类网络的第一分类子网络，以调用第一分类子网络根据其对应的第一归类函数和第一图像特征的信息，回归出待分类物体的第一识别类别的信息。
158.对应地，步骤s40通过预设级联分类网络时，步骤s40具体可以包括：当检测到所述第一识别类别的信息和预设的基准类别的信息相同时，将所述状态图像输入所述预设级联分类网络的第二分类子网络，以使得所述第二分类子网络对所述状态图像进行特征提取处理得到所述状态图像的第二图像特征的信息，并根据所述第二图像特征确定所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息。
159.具体地，在步骤s40之前，首先检测第一识别类别的信息和预设的基准类别的信息是否相同。当检测到第一识别类别的信息和预设的基准类别的信息相同时，将状态图像输入预设级联分类网络的第二分类子网络。以调用第一分类子网络对状态图像进行特征提取处理得到状态图像的第二图像特征的信息，并根据第二分类子网络对应的第二归类函数、以及第二图像特征的信息，确定并输出待分类物体的第二识别类别的信息。
160.第二分类子网络所输出的待分类物体的第二识别类别的信息，即为待分类物体的目标类别的信息。
161.由以上内容可以看出，通过预设级联分类网络，可以捕捉特征差别较大的物体之间的差异特征、并捕捉特征相似度较高的物体之间的差异特征。避免了当待识别的物体中，同时存在有的物体之间(即物体所属大类之间)特征差别较大、而有的物体之间特征相似度(即物体所属小类之间)较高时，现有的目标分类网络难以捕捉相似度较高的物体之间的差异特征的问题。从而可以采用同一个模型(即预设级联分类网络)准确地识别需细致分类的物体、以及只需粗略分类的物体，进而提高了物体分类的准确率。
162.由以上内容可以看出，通过获取包含待分类物体的状态图像；对状态图像进行特征提取处理，得到状态图像的第一图像特征的信息；根据第一图像特征的信息确定待分类物体的第一识别类别的信息；当检测到第一识别类别的信息和预设的基准类别的信息相同时，获取待分类物体的第二识别类别的信息，以作为待分类物体的目标类别的信息。一方面，可以基于图像实现对待分类物体的进行分类。
163.另一方面，由于通过先确定待分类物体的第一识别类别(即待分类物体所属的大
类)，当待分类物体的第一识别类别(即待分类物体所属的大类)第一识别类别和预设的基准类别(即预设的需要进一步分类的大类)时，确定待分类物体的第二识别类别(即待分类物体所属的小类)，将待分类物体的第二识别类别作为待分类物体的目标类别。因此，可以实现对待分类物体进行细致分类。从而避免了现有的目标分类网络难以捕捉相似度较高的物体之间的差异特征的问题，提高了物体分类的准确率。
164.在某些场景下，如在快递分拣场景下，有时候需要识别分拣场地内(即特定区域)人出现的频率、叉车出现的频率。则需要获取分拣场地内的多张图像，基于图像识别出分拣场地内出现的物体是否为人、或叉车(即需基于图像识别物体的类别)，再统计人、或叉车出现的频率。
165.为此，在本技术的一些实施例中，“获取包含待分类物体的状态图像”的步骤包括：获取在特定区域内采集的多个图像；将所述多个图像作为所述状态图像。
166.其中，状态图像的成像包含特定区域。
167.例如，请参照图4，图4是本技术实施例中提供的状态图像的场景示意图；其中，图4左边是一个分拣场地的示意图，分拣场地包括分拣区域1、分拣区域2；图4右边是将分拣区域2作为特定区域，采集分拣区域2的图像所得到状态图像。
168.具体地，将用于采集状态图像的摄像头的视景覆盖分拣区域2(以使得摄像头采集到的图像成像包含特定区域)，连续一段时间采集分拣区域2的图像或视频，以得到多个图像，并将每个图像作为一个状态图像。或者，进一步地，在连续一段时间内采集分拣区域2的图像或视频后，从中选取包含有待识别物体(如包含“人”、“纸箱”、“货物”、“手推车”、“货车”等物体)的图像作为状态图像。
169.对应地，将每个状态图像按照上述物体分类方法的步骤(如步骤s10～s40)确定每个状态图像所包含的待分类物体的目标类别的信息。
170.为了统计预设类别的物体在特定区域内的出现频率，在确定确定每个状态图像所包含的待分类物体的目标类别的信息之后，该物体分类方法还包括：根据所述目标类别的信息，确定预设类别的物体在所述特定区域内的出现频率。
171.例如，连续一段时间采集特定区域的图像(包括图像1、图像2、图像3、图像4、图像5、图像6)作为状态图像，在对状态图像(图像1、图像2、图像3、图像4、图像5、图像6)进行物体分类后，确定状态图像(图像1、图像2、图像3、图像4、图像5、图像6)所包含的待分类物体的目标类别分别为：“人”、“纸箱”、“手推车”、“手推车”、“人”、“手推车”。
172.其中，预设类别的物体为“手推车”、“人”，则可以确定预设类别的物体为“手推车”在特定区域内的出现频率为2/6＝1/3、“人”在特定区域内的出现频率为3/6＝1/2。
173.由以上内容可以看出，通过获取待定区域的多个图像作为状态图像，并对每个状态图像进行物体分类，确定每个状态图像所包含的待分类物体的目标类别；并根据每个状态图像所包含的待分类物体的目标类别，可以统计预设类别的物体在特定区域内的出现频率；从而实现了某些场景的数据统计需求，使得数据统计自动化，提高了数据统计的效率。
174.为了更好实施本技术实施例中物体分类方法，在物体分类方法基础之上，本技术实施例中还提供一种物体分类装置，如图5所示，为本技术实施例中物体分类装置的一个实施例结构示意图，该物体分类装置500包括：
175.获取单元501，用于获取包含待分类物体的状态图像；
176.处理单元502，用于对所述状态图像进行特征提取处理，得到所述状态图像的第一图像特征的信息；
177.第一分类单元503，用于根据所述第一图像特征的信息确定所述待分类物体的第一识别类别的信息；
178.第二分类单元504，用于当检测到所述第一识别类别的信息和预设的基准类别的信息相同时，获取所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息，其中，所述第二识别类别从属于所述第一识别类别。
179.在本技术一种可能的实现方式中，所述第二分类单元504具体还用于：
180.当检测到所述第一识别类别的信息和所述预设的基准类别的信息相同时，根据所述第一识别类别的信息和所述状态图像进行特征提取处理，得到所述状态图像的第二图像特征的信息；
181.根据所述第二图像特征的信息，确定所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息。
182.在本技术一种可能的实现方式中，所述第一分类单元503具体还用于：
183.当检测到所述第一识别类别的信息和所述预设的基准类别的信息不相同时，将所述第一识别类别的信息作为所述待分类物体的目标类别的信息。
184.在本技术一种可能的实现方式中，所述第一分类单元503具体还用于：
185.将所述第一图像特征的信息输入预设级联分类网络的第一分类子网络，以使得所述第一分类子网络根据所述第一图像特征的信息确定所述待分类物体的第一识别类别的信息；
186.在本技术一种可能的实现方式中，所述第二分类单元504具体还用于：
187.当检测到所述第一识别类别的信息和预设的基准类别的信息相同时，将所述状态图像输入所述预设级联分类网络的第二分类子网络，以使得所述第二分类子网络对所述状态图像进行特征提取处理得到所述状态图像的第二图像特征的信息，并根据所述第二图像特征的信息确定所述待分类物体的第二识别类别的信息，以作为所述待分类物体的目标类别的信息。
188.在本技术一种可能的实现方式中，所述物体分类装置还包括训练单元(图中未示出)，所述训练单元具体还用于：
189.获取样本图像、并获取所述样本图像的类别标签，其中，所述样本图像包括第一样本图像、第二样本图像和第三样本图像，所述类别标签包括第一类别标签和第二类别标签，所述第一类别标签包括所述第一样本图像的第一类别标签、所述第二样本图像的第一类别标签、以及所述第三样本图像的第一类别标签，所述第二类别标签包括所述第二样本图像的第二类别标签、以及所述第三样本图像的第二类别标签；
190.将所述样本图像输入预设模型的第一预设子网络，以使得所述第一预设子网络对所述样本图像进行特征提取得到所述样本图像的第一样本特征的信息，并根据所述第一样本特征的信息确定所述样本图像的第一预测类别的信息；
191.当检测到所述第一预测类别的信息为预设的基准类别的信息时，将所述样本图像输入所述预设模型的第二预设子网络，以使得所述第二预设子网络对所述样本图像进行特征提取得到所述样本图像的第二样本特征的信息，并根据所述第二样本特征的信息确定所
述样本图像的第二预测类别的信息；
192.根据所述第一预测类别的信息、所述第二预测类别的信息、所述第一类别标签和所述第二类别标签，更新所述预设模型的模型参数，直至符合预设的停止训练条件时，将所述预设模型作为预设级联分类网络。
193.在本技术一种可能的实现方式中，所述训练单元具体还用于：
194.获取待识别物体的原始图像；
195.调用预设的gan网络，根据所述原始图像生成多个增补图像；
196.将所述原始图像和所述增补图像作为样本图像。
197.在本技术一种可能的实现方式中，所述获取单元501具体还用于：
198.获取在特定区域内采集的多个图像；
199.将所述多个图像作为所述状态图像；
200.在本技术一种可能的实现方式中，所述物体分类装置还包括统计单元(图中未示出)，所述统计单元具体还用于：
201.所述方法还包括：
202.根据所述目标类别的信息，确定预设类别的物体在所述特定区域内的出现频率。
203.具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
204.由于该物体分类装置可以执行本技术如图1至图4对应任意实施例中物体分类方法中的步骤，因此，可以实现本技术如图1至图4对应任意实施例中物体分类方法所能实现的有益效果，详见前面的说明，在此不再赘述。
205.此外，为了更好实施本技术实施例中物体分类方法，在物体分类方法基础之上，本技术实施例还提供一种电子设备，参阅图6，图6示出了本技术实施例电子设备的一种结构示意图，具体的，本技术实施例提供的电子设备包括处理器601，处理器601用于执行存储器602中存储的计算机程序时实现如图1至图4对应任意实施例中物体分类方法的各步骤；或者，处理器601用于执行存储器602中存储的计算机程序时实现如图5对应实施例中各单元的功能。
206.示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本技术实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
207.电子设备可包括，但不仅限于处理器601、存储器602。本领域技术人员可以理解，示意仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子备还可以包括输入输出设备、网络接入设备、总线等，处理器601、存储器602、输入输出设备以及网络接入设备等通过总线相连。
208.处理器601可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
209.存储器602可用于存储计算机程序和/或模块，处理器601通过运行或执行存储在存储器602内的计算机程序和/或模块，以及调用存储在存储器602内的数据，实现计算机装置的各种功能。存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
210.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的物体分类装置、电子设备及其相应单元的具体工作过程，可以参考如图1至图4对应任意实施例中物体分类方法的说明，具体在此不再赘述。
211.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
212.为此，本技术实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本技术如图1至图4对应任意实施例中物体分类方法中的步骤，具体操作可参考如图1至图4对应任意实施例中物体分类方法的说明，在此不再赘述。
213.其中，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
214.由于该计算机可读存储介质中所存储的指令，可以执行本技术如图1至图4对应任意实施例中物体分类方法中的步骤，因此，可以实现本技术如图1至图4对应任意实施例中物体分类方法所能实现的有益效果，详见前面的说明，在此不再赘述。
215.以上对本技术实施例所提供的一种物体分类方法、装置、电子设备及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。