一种物体分类方法、计算机设备及存储介质与流程

1.本申请涉及分类技术领域，特别涉及一种物体分类方法、计算机设备及存储介质。


背景技术：

2.在传统机器学习进行物体分类的过程中，运用物体突出的模态特征来进行物体分类是非常重要的方式，尤其是运用人类的感官特征，例如通常需要视觉或触觉的感知来对物体对象进行特征分析，从而进一步对物体对象进行分类，可以知道的是，常规手段中利用视觉特征对目标物体进行识别分类已经具有一定的准确率，然而针对于特征相似物体或者是肉眼难以识别的物体，仅从单一模态来看，无法辨识其物体类别，分类准确率就会有很大的偏差。


技术实现要素：

3.为了解决上述问题，本申请提供一种物体分类方法、计算机设备及存储介质，能够提高物体的分类准确率。
4.为解决上述技术问题，本申请采用的一个技术方案是提供一种物体分类方法，该方法包括：获取目标物体的特征集；对特征集进行第一选择，以得到第一子特征集，以及对特征集进行第二选择，以得到第二子特征集，第一选择和第二选择的选择方式不同；对第一子特征集进行分类预测得到第一分类预测结果，以及对第二子特征集进行分类预测得到第二分类预测结果；将第一分类预测结果和第二分类预测结果进行决策级融合，得到最终分类结果。
5.其中，获取目标物体的特征集，包括：采集目标物体多种模态下的数据信息；对数据信息进行预处理；对预处理后的数据信息进行特征提取，以生成目标物体的特征集。
6.其中，多种模态下的数据信息包括视觉信息、触觉信息和听觉信息；对预处理后的数据信息进行特征提取，以生成目标物体的特征集，包括：对预处理后的视觉信息进行图像统计特征提取，以得到第一统计特征集；对预处理后的触觉信息和听觉信息进行信号统计特征提取，以得到第二统计特征集；将第一统计特征集和第二统计特征集进行特征级融合，以生成目标物体的特征集。
7.其中，图像统计特征包括灰度共生矩阵中的能量、熵、相关性、逆差矩、对比度，灰度游程矩阵中的短期重点特征、长期重点特征和灰度不均匀性、方向梯度直方图、tamura纹理特征中的粗糙度、对比度和方向性中至少一种；信号统计特征包括最大值、最小值、均值、峰值、绝对平均值、均方根值、方差、标准差、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中至少一种。
8.其中，对第一子特征集进行分类预测得到第一分类预测结果，以及对第二子特征集进行分类预测得到第二分类预测结果，包括：使用设定数量个第一分类器对第一子特征集进行分类预测，以得到目标物体的第一分类预测结果；其中，第一分类预测结果包括多组第一预测分类标签以及对应的第一预测精度；使用设定数量个第二分类器对第二子特征集
进行分类预测，以得到目标物体的第二分类预测结果；其中，第二分类预测结果包括多组第二预测分类标签以及对应的第二预测精度。
9.其中，将第一分类预测结果和第二分类预测结果进行决策级融合，得到最终分类结果，包括：将多组第一预测分类标签及其对应的第一预测精度，以及第一分类器所占的权重，与多组第二预测分类标签及其对应的第二预测精度，以及第二分类器所占的权重进行决策级融合，以得到最终分类结果。
10.其中，将第一分类预测结果和第二分类预测结果进行决策级融合，得到最终分类结果，包括：采用以下公式计算：其中，n是分类标签的数量，m是分类器的数量，ω
m
是分类器m所占的权重，p
mn
是分类器m计算出目标物体属于分类标签n的预测精度。
11.其中，对特征集进行第一选择，以得到第一子特征集，以及对特征集进行第二选择，以得到第二子特征集，包括：对特征集进行拉普拉斯特征选择，以得到第一子特征集；以及对特征集进行多聚类特征选择，以得到第二子特征集。
12.其中，对特征集进行拉普拉斯特征选择，以得到第一子特征集，包括：根据拉普拉斯特征选择算法计算特征集中所有特征参数的拉普拉斯得分；对所有特征参数的拉普拉斯得分进行排序；将得分排序中得分较小的设定数量个特征参数进行集合，以得到第一子特征集。
13.其中，对特征集进行多聚类特征选择，以得到第二子特征集，包括：根据多聚类特征选择算法计算特征集中所有特征参数的多聚类得分；对所有特征参数的多聚类得分进行排序；将得分排序中得分较大的设定数量个特征参数进行集合，以得到第二子特征集。
14.为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述的物体分类方法。
15.为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，用于存储计算机程序，计算机程序再被处理器执行时，用于实现上述的物体分类方法。
16.本申请实施例的有益效果是：区别于现有技术，本申请提供了一种物体分类方法，通过对目标物体的特征集进行第一选择和第二选择，以得到两种特征选择下的第一子特征集和第二子特征集，进一步分别对两个子特征集进行分类预测得到第一分类预测结果和第二分类预测结果，最后将第一分类预测结果和第二分类预测结果进行决策级的融合计算，以输出得到最终的分类结果。通过这样的方式，将两种特征选择方法下的分类结果进行融合，能够提高物体的分类准确率。
附图说明
17.为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，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。其中：
18.图1是本申请提供的物体分类方法一实施例的流程示意图；
19.图2是本申请提供的物体分类方法另一实施例的流程示意图；
20.图3是图2中步骤23的具体流程示意图；
21.图4是图2中步骤24的具体流程示意图；
22.图5是图2中步骤25的具体流程示意图；
23.图6是本申请提供的物体分类方法又一实施例的流程示意图；
24.图7是本申请提供的计算机设备一实施例的结构示意图；
25.图8是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
26.下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
27.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
28.参阅图1，图1是本申请提供的物体分类方法一实施例的流程示意图，本实施例具体的方法如下：
29.步骤11：获取目标物体的特征集。
30.其中，目标物体即为待分类或待识别的物体，该目标物体的特征集则表示多种模态特征数据的集合，通过采用不同的方式对多种模态的数据进行采集，从而得到待分类物体的多种模态信息，进一步将多种模态信息进行预处理以及不同维度的特征提取，即可初步获取一个关于待分类目标物体的特征集。
31.步骤12：对特征集进行第一选择，以得到第一子特征集，以及对特征集进行第二选择，以得到第二子特征集。
32.其中，第一选择和第二选择的选择方式不同。在本实施例中，利用两种不同的特征选择方式对同一特征集进行计算，能够按照两种不同的选择标准将特征集中无关的特征去掉，也即是去掉关联性较低的部分特征，以分别得到低纬度的第一子特征集和第二子特征集，并以此作为后续实际分类所需要的特征，该部分特征由两种特征选择算法经过得分排序而得到。
33.可选地，本实施例中的第一选择可以是拉普拉斯特征选择(laplacian score)，第二选择可以是多聚类特征选择(multi-cluster feature selection，mcfs)，两者也可以互换，对算法的使用顺序不作具体限制，后续实施例会对此步骤进行详述。
34.步骤13：对第一子特征集进行分类预测得到第一分类预测结果，以及对第二子特征集进行分类预测得到第二分类预测结果。
35.其中，第一分类预测结果和第二分类预测结果分别表示不同的子特征集在不同分
类器下的两个分类预测结果，同一分类预测结果中包括多组的预测分类标签以及标签对应的预测精度，预测精度表示目标物体在该分类器的计算下被分类为某预测分类标签的概率。
36.也就是说，分类预测结果中通常会包括多个预测分类标签，以及包括将目标物体分类为每一标签所对应的概率，并且第一分类预测结果和第二分类预测结果中由于子特征集的不同，使得计算得到的对应每一标签的概率也不同。可以理解，预测分类标签通常为提前设置，标签内容及其数量可以根据实际需要进行设置，在此不做过多赘述。
37.步骤14：将第一分类预测结果和第二分类预测结果进行决策级融合，得到最终分类结果。
38.其中，决策级融合是指在得到第一分类预测结果和第二预测分类结果后，根据不同分类器的权重，将不同分类器下计算的分类预测结果进行求和，也即是将不同分类器中相同预测分类标签及其对应的预测精度进行求和，最终将求和后预测精度较高的作为目标物体最终的分类标签，以得到最终分类结果。本实施例采用决策级融合的思想，集成两种特征选择方法的分类结果，能够使分类准确率达到更高的精度。
39.区别于现有技术，本申请提供了一种物体分类方法，通过对目标物体的特征集进行第一选择和第二选择，以得到两种特征选择下的第一子特征集和第二子特征集，进一步分别对两个子特征集进行分类预测得到第一分类预测结果和第二分类预测结果，最后将第一分类预测结果和第二分类预测结果进行决策级的融合计算，以输出得到最终的分类结果。通过这样的方式，将两种特征选择方法下的分类结果进行融合，能够提高物体的分类准确率。
40.参阅图2，图2是本申请提供的物体分类方法另一实施例的流程示意图，本实施例具体的方法如下：
41.步骤21：采集目标物体多种模态下的数据信息。
42.其中，多种模态下的数据信息包括目标物体的视觉信息、触觉信息和听觉信息。对于视觉信息的采集，可以使用带有拍照功能的设备对目标物体进行采集，例如手机、相机、平板电脑等移动设备，以采集得到视觉信息；对于触觉信息的采集，可以使用加装了触觉传感器的机械装置来对目标物体的表面进行一个滑动操作，进而得到摩擦力等触觉信息，例如当该方法应用于机器人时，该机械装置即为机械手；对于听觉信息的采集，可以在机械装置对目标物体的表面进行滑动的过程中，使用录音机或麦克风对目标物体的表面和机械装置接触时所产生的声音进行记录，以采集得到听觉信息。
43.通过以上三种方式即可获得目标物体的三种模态信息。可选地，每种物体由同一个人采集10次作为训练集，由10个不同的人采集1次作为测试集，每次采集的时间为10秒。
44.步骤22：对数据信息进行预处理。
45.其中，预处理指的是对采集的上述数据信息进行归一化等处理，在本实施例中，将触觉信息和听觉信息转化为时域和频率信号，对于视觉信息，通过裁剪将所有信息裁剪为同一分辨率的图片。
46.在其他一些实施例中，预处理还可以将数据信息中缺失或重复，以及噪声等问题进行解决，例如采用简单的替代或删除以获得新的数据。
47.步骤23：对预处理后的数据信息进行特征提取，以生成目标物体的特征集。
48.具体地，步骤23可以由图3所示的方法实现，具体如下：
49.步骤231：对预处理后的视觉信息进行图像统计特征提取，以得到第一统计特征集。
50.其中，图像统计特征包括灰度共生矩阵(gray-level co-occurrence matrix，glcm)中的能量、熵、相关性、逆差矩、对比度，灰度游程矩阵(gray-level run-length matrix，glrlm)中的短期重点特征(short run emphasis，srm)、长期重点特征(long run emphasis，lrm)和灰度不均匀性(gray level non-uniformity，gln)，方向梯度直方图、tamura纹理特征中的粗糙度、对比度以及方向性等11种统计特征。
51.本实施例中，可以利用hog(histogram of oriented gradient，方向梯度直方图)特征提取算法进行图像特征提取，提取后在计算机中显示为数字序列，每个提取后的样本按序列顺序放在一起，即为第一统计特征集。
52.步骤232：对预处理后的触觉信息和听觉信息进行信号统计特征提取，以得到第二统计特征集。
53.其中，信号统计特征包括最大值、最小值、均值、峰值、绝对平均值、均方根值、方差、标准差、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子等15种统计特征。
54.本实施例中，可以利用短时傅里叶变换(short-time fourier transform，stft)、时频分布(wigner-ville分布、choi-willian分布)、小波变换、希尔伯特黄变换等特征提取方法进行信号特征提取，提取后所有特征即可集合为第二统计特征集。
55.可以理解的，本实施例在特征提取阶段使用了简单的统计特征来进行特征提取，能够简化计算步骤，同时降低了后续训练模型的复杂度，也提高了分类效率。
56.步骤233：将第一统计特征集和第二统计特征集进行特征级融合，以生成目标物体的特征集。
57.其中，特征集融合是指将特征集中提取出来的图像统计特征和信号统计特征进行集合，采用多模态融合的思想来进行目标物体的识别，便于后续根据多种模态的数据对目标物体进行分类，相较于单一模态具有更好的分类效果，分类更加全面。
58.步骤24：对特征集进行拉普拉斯特征选择，以得到第一子特征集。
59.其中，拉普拉斯特征选择算法是一个对一个训练集样本的特征进行打分的算法，通过这个算法可以给训练集中的每一个特征打出一个分数，最后再取分数最低的设定数量个特征作为最后选择的第一子特征集，是标准的filter式方法。
60.具体地，步骤24可以由图4所示的方法实现，具体如下：
61.步骤241：根据拉普拉斯特征选择算法计算特征集中所有特征参数的拉普拉斯得分。
62.具体可以分为以下步骤：
63.1)构建权重矩阵s。
64.对于监督学习来说，设训练集中共有n个样本，首先根据样本的种类构件一张n*n的邻接矩阵g
ij
，其中i和j表示样本，当type(i)＝type(j)时，也即是两者属于同一类样本时，g
ij
＝1，否则为0，且g
ij
的主对角元素全为1。
65.然后对于矩阵中g
ij
＝1的点，令这样得到的矩阵就是该训练集的权重矩阵s，其中，z为一个固定的常数。
66.而对于无监督学习来说，其与监督学习类似，但是先使用了k近邻法判断两个样本是否近邻，如果样本i是样本j的近邻之一，则默认type(i)＝type(j)，即默认样本i和样本j属于同一类样本，后续即可再进行监督学习的相应算法。
67.2)计算拉普拉斯得分。
68.具体可以采用如下公式进行计算：
[0069][0070]
其中，l
r
为第r个特征的拉普拉斯分值；(f
ri-f
rj
)为第i个样本和第j个样本的第r个特征的差值，(f
ri-f
rj
)的绝对值越小，表示同类样本之间的特征r变化越小，特征越好；s
ij
为权重矩阵中的对应的值，s
ij
权重值越大，说明该特征在同类样本中表现最好，由于不同样本间的s
ij
＝0，所以不予考虑；var(f
r
)为第r个特征在所有样本上的方差，方差越大，说明这个特征在不同的样本上的变化越明显，即说明该特征越能区分样本。
[0071]
可以理解，对于一个好的特征，s
ij
越大，更倾向于(f
ri-f
rj
)的绝对值越小的特征，因为不希望一个特征在同类之间变化太大，同时var(f
r
)越大越好，所以最后计算得到的l
r
越小，表示特征越好。
[0072]
步骤242：对所有特征参数的拉普拉斯得分进行排序。
[0073]
可以按从小到大或从大到小的顺序进行排列，在此不做限定。
[0074]
步骤243：将得分排序中得分较小的设定数量个特征参数进行集合，以得到第一子特征集。
[0075]
其中，选取特征参数的设定数量可以根据实际情况进行设定，例如10个，在此不做限定。
[0076]
步骤25：对特征集进行多聚类特征选择，以得到第二子特征集。
[0077]
本实施例中，多聚类特征选择主要是引入光谱特征来进行多聚类分析，以求出最小特征值的广义特征问题的特征向量。
[0078]
具体地，步骤25可以由如图5所示的方法实现，具体如下：
[0079]
步骤251：根据多聚类特征选择算法计算特征集中所有特征参数的多聚类得分。
[0080]
具体可以分为以下步骤：
[0081]
1)谱嵌入聚类分析。
[0082]
多聚类特征选择算法首先将数据集中的每一个样本对象看做是图谱的顶点v，将顶点间的相似度量化作为相应顶点连接边e的权值，即可得到一个基于相似度的无向加权图g(v，e)，从而将聚类问题转换为图划分问题。由于图划分问题的本质，考虑问题的连续放松形式是一个很好的求解方法，这样便可将原问题转换成求解相似矩阵w或者laplacian矩阵l的谱分解。
[0083]
求解相似矩阵的方法有很多种，包括例如0-1加权、热核加权等，这里采用itml度
量学习算法。具体如下：
[0084]
定义一个对角矩阵d，其对角线上的数为相似矩阵w对应行的和，即则相似图的非规格拉普拉斯矩阵定义为l＝d-w，通过ly＝λdy计算得到拉普拉斯矩阵的前k个特征向量，记为y＝[y1，
…
y
k
]，完成了原始样本集到特征向量空间的映射。
[0085]
其中，y
k
是关于最小特征值的上述广义特征问题的特征向量，y的每一行是一个数据点的降维表示，k是数据的内在维度，每一个y
k
体现数据在该维度上的数据分布，当使用聚类分析时，每一个y
k
可以体现数据在这一个聚类的分布，因此k往往可以设定成数据聚类的个数。
[0086]
2)计算多聚类得分。
[0087]
在得到y之后，可以衡量每一个内在维度的重要性，也就是y的每一列，同时可以衡量每一个特征区分数据聚类的能力。给定一个y
k
，通过最小化拟合误差，可以找到一个相关的特征子集，如下：
[0088][0089]
其中，a
k
为m维向量，代表不同维度的相关系数，为a
k
的l1范数，β是权重系数，a
k
包含了用来近似y
k
时每一个特征的系数，由于l1范数的性质，当β足够大时，a
k
的某些系数会变为0。因此，上述特征子集的公式本质上是一个回归问题，称作lasso(least absolute shrinkage and selection operator，套索算法)，求解上述公式可以采用最小角度回归(least angle regression，lars)算法，即可得到每个特征的相关系数。
[0090]
进一步，对于每一个特征j，即可定义每一个特征的mcfs得分：
[0091][0092]
其中，a
k,j
是向量a
k
的第j个元素。
[0093]
步骤252：对所有特征参数的多聚类得分进行排序。
[0094]
可以按从小到大或从大到小的顺序进行排列，在此不做限定。
[0095]
步骤253：将得分排序中得分较大的设定数量个特征参数进行集合，以得到第二子特征集。
[0096]
其中，选取特征参数的设定数量可以根据实际情况进行设定，例如10个，在此不做限定。
[0097]
可以理解，步骤24和步骤25的顺序不分先后。
[0098]
步骤26：对第一子特征集进行分类预测得到第一分类预测结果，以及对第二子特征集进行分类预测得到第二分类预测结果。
[0099]
其中，对第一子特征集和第二子特征集分别采用不同的分类器进行分类预测，同一分类预测结果中包括多组的预测分类标签以及标签对应的预测精度，预测精度即表示目标物体在该分类器的计算下被分类为某预测分类标签的概率。
[0100]
步骤27：将第一分类预测结果和第二分类预测结果进行决策级融合，得到最终分类结果。
[0101]
其中，决策级融合是指在得到第一分类预测结果和第二预测分类结果后，根据不
同分类器的权重，将不同分类器下计算的分类预测结果进行求和，也即是将不同分类器中相同预测分类标签及其对应的预测精度进行求和，最终将求和后预测精度较高的作为目标物体最终的分类标签，以得到最终分类结果。
[0102]
参阅图6，图6是本申请提供的物体分类方法又一实施例的流程示意图，本实施例具体的方法如下：
[0103]
步骤61：获取目标物体的特征集。
[0104]
步骤62：对特征集进行第一选择，以得到第一子特征集，以及对特征集进行第二选择，以得到第二子特征集。
[0105]
步骤61-62与上述实施例的步骤11-12以及步骤21-25相类似，此处不做赘述。
[0106]
步骤63：使用设定数量个第一分类器对第一子特征集进行分类预测，以得到目标物体的第一分类预测结果。
[0107]
步骤64：使用设定数量个第二分类器对第二子特征集进行分类预测，以得到目标物体的第二分类预测结果。
[0108]
其中，第一分类预测结果包括多组第一预测分类标签以及对应的第一预测精度，第二分类预测结果包括多组第二预测分类标签以及对应的第二预测精度，并且第一预测分类标签和第二预测分类标签相同。
[0109]
在本实施例中，主要采用支持向量机的算法进行分类，主要由svmtrain函数进行训练，svmpredict函数进行样本预测。
[0110]
在分类预测中，第一分类器和第二分类器属于不同的分类器，两个分类器所占的权重可以进行设置，在本实施例中由于只采用了两个分类器，因此各占0.5。
[0111]
下面以机器人作为识别的主体为例，对目标物体的识别分类进行举例说明，将预测分类标签预先设置为包括大小海绵两块、两个不同的玩偶、卫生卷纸、奶茶、酸奶纸盒、三种不同品牌的矿泉水瓶装水、三种不同品牌的空矿泉水瓶、大小玻璃瓶和大小金属瓶等17种标签：
[0112]
[0113][0114]
如上表可知，由于算法以及分类器的不同，利用拉普拉斯特征选择算法得到的第一子特征集，并利用第一分类器计算出目标物体的预测分类标签对应的多个第一预测精度，与利用多聚类特征选择算法得到的第二子特征集，以及利用第二分类器计算出同一目标物体的预测分类标签所对应的多个第二预测精度是不同的，通过上述方式即可直接输出预测分类标签和预测精度。
[0115]
可以理解，上述表格所呈现的预测分类标签和预测精度的对应关系，仅是对一个训练集采集了一次进行计算的结果。采用支持向量机分类器对于物体的多分类具有很好的分类效果，且算法简单易懂，可以直接输出预测分类标签和预测精度。
[0116]
步骤65：将多组第一预测分类标签及其对应的第一预测精度，以及第一分类器所占的权重，与多组第二预测分类标签及其对应的第二预测精度，以及第二分类器所占的权重进行决策级融合，以得到最终分类结果。
[0117]
其中，决策级融合是指在得到第一分类预测结果和第二预测分类结果后，根据不同分类器的权重，将不同分类器下计算的分类预测结果进行求和，也即是将不同分类器中相同预测分类标签及其对应的预测精度进行求和，最终将求和后预测精度较高的作为目标物体最终的分类标签，以得到最终分类结果。
[0118]
具体的，可以通过如下的公式实现：
[0119][0120]
其中，n是分类标签的数量，在本实施例中，n为17，m是分类器的数量，ω
m
是分类器m所占的权重，p
mn
是分类器m计算出目标物体属于分类标签n的预测精度，即为属于该标签的概率。在本实施例中，由于分类器仅设置有两个，因此分类器的权重各为0.5。
[0121]
对于上述公式，其计算实质为：将不同分类器下，同一标签的预测精度以及分类器的权重相乘并求和，相当于计算得到每一个标签对应的实际精度，即为ω
m
p
mn
，重复计算每一个标签对应的实际精度，最后利用argmax函数得到实际精度最高所对应的标签，即为最终分类结果n
*
，整个过程即为决策级融合。通过这样的方式，采用决策级融合的方法，集成两种特征选择方法下的分类结果，能够有效提高分类准确率。
[0122]
在其他一些实施例中，分类器的数量m还可以设置为大于2个，相应的其对应的权重也可以进行改变，例如分别采用两个分类器对第一子特征集和第二子特征集进行分类预测，从而将四个分类预测结果进行决策级融合，进一步提高分类准确率。
[0123]
本申请已经经过实验，使用本申请所采用的多模态数据和简单统计方法已经在公
开数据以及lmt-108上得到良好的验证，相比之前的分类结果有较好的提升，证明该方法可行。
[0124]
参阅图7，图7是本申请提供的计算机设备一实施例的结构示意图，本实施例的计算机设备70包括处理器71和存储器72，处理器71与存储器72耦接，其中，存储器72用于存储处理器71执行的计算机程序，处理器21用于执行计算机程序以实现如下方法步骤：
[0125]
获取目标物体的特征集；对特征集进行第一选择，以得到第一子特征集，以及对特征集进行第二选择，以得到第二子特征集，第一选择和第二选择的选择方式不同；对第一子特征集进行分类预测得到第一分类预测结果，以及对第二子特征集进行分类预测得到第二分类预测结果；将第一分类预测结果和第二分类预测结果进行决策级融合，得到最终分类结果。
[0126]
参阅图8，图8是本申请提供的计算机可读存储介质一实施例的结构示意图。本实施例的计算机可读存储介质80用于存储计算机程序81，计算机程序81在被处理器执行时，用以实现如下方法步骤：
[0127]
获取目标物体的特征集；对特征集进行第一选择，以得到第一子特征集，以及对特征集进行第二选择，以得到第二子特征集，第一选择和第二选择的选择方式不同；对第一子特征集进行分类预测得到第一分类预测结果，以及对第二子特征集进行分类预测得到第二分类预测结果；将第一分类预测结果和第二分类预测结果进行决策级融合，得到最终分类结果。
[0128]
需要说明的是，本实施例的计算机程序81所执行的方法步骤是基于上述方法实施例的，其实施原理和步骤类似。因此，计算机程序81在被处理器执行时，还可以实现上述任一实施例中的其他方法步骤，在此不再赘述。
[0129]
本申请的实施例以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0130]
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是根据本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。