图像分类模型的建立方法、建立装置和设备与流程

本发明涉及图像处理技术领域，具体而言，涉及一种图像分类模型的建立方法、一种图像分类模型的建立装置和一种具有图像处理功能的设备。

背景技术：

近年以来，随着人工智能以及大数据技术的快速发展，越来越多的产品开始向智能化发展，较之非智能化产品，智能化产品多有功能更加强大，用户的体验更加舒适等特点。在众多智能化产品中，图像识别占有举足轻重的领域，一个完整的图像识别系统以图像作为输入信息，通过不同的方法对图像进行识别，最后输出识别结果。

目前主流的图片识别方法，多是使用识别算法建立图像分类模型，具体地，计算每两个图像之间的相似度，并将相似度小于某一阈值的图像全部分为一类，但在为种类繁多的图像建立图像分类模型时，由于种类过多，每两个图像之间的相似度都计算出来，计算量过于繁重。而且利用相似度建立的图像分类模型能够识别出的种类有限。

因此，如何利用较少的计算量建立图像分类模型，而且该图像分类模型能够识别出较多种类的图像成为亟待解决的技术问题。

技术实现要素：

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提出了一种图像分类模型的建立方法。

本发明的另一个目的在于提出了一种图像分类模型的建立装置。

本发明的又一个目的在于提出了一种具有图像处理功能的设备。

为实现上述至少一个目的，根据本发明的第一方面的实施例，提出了一种图像分类模型的建立方法，包括：针对多种训练样本图像，按种类提取每张训练样本图像的特征向量；根据所述特征向量，计算所述每种训练样本图像的特征均值；根据所述每种训练样本图像的特征均值，建立多层树状的图像分类模型。

根据本发明的一个实施例的图像分类模型的建立方法，通过计算出每种训练样本图像的特征均值并聚类来建立多层树状的图像分类模型，避免通过计算每两个图像之间的相似度的方式来建立图像分类模型，从而有效地降低了建立图像分类模型时的处理数据量。另外，通过建立多层树状的图像分类模型，可以有效降低多种类模型过拟合的问题，提高系统识别率。

根据本发明的上述实施例的图像分类模型的建立方法，还可以具有以下技术特征：

根据本发明的一个实施例，所述图像分类模型的每一层包括至少一个节点分类器，所述根据所述每种训练样本图像的特征均值，建立多层树状的图像分类模型，具体包括：当训练所述图像分类模型的任一节点分类器时，判断被训练的节点分类器是否有下一层节点分类器；若判定所述被训练的节点分类器没有下一层节点分类器，则将所述被训练的节点分类器训练成底层分类器；若判定所述被训练的节点分类器有下一层节点分类器，则对所述被训练的节点分类器的识别种类的图像的特征均值进行聚类来确定所述被训练的节点分类器的每个下一层节点分类器的识别种类，以对所述每个下一层节点分类器进行训练。

根据本发明的实施例的图像分类模型的建立方法，通过聚类算法对节点分类器的识别种类的图像的特征均值进行聚类，以将相似度较高的图像归为一类，从而建立多层树状的图像分类模型，不仅解决了大数据样本分层困难的技术问题，还保证了图像分类模型对图像识别的准确率。

根据本发明的一个实施例，所述判断被训练的节点分类器是否有下一层节点分类器，具体包括：获取所述被训练的节点分类器的识别种类数和种类阈值；根据所述被训练的节点分类器的识别种类数和种类阈值，计算所述被训练的节点分类器的聚类中心个数；根据所述被训练的节点分类器的聚类中心个数和识别种类数，判断所述被训练的节点分类器是否有下一层节点分类器；以及在判定所述被训练的节点分类器有下一层节点分类器的情况下，所述被训练的节点分类器的下一层节点分类器的个数等于所述聚类中心个数。

根据本发明的实施例的图像分类模型的建立方法，通过计算被训练的节点分类器的聚类中心个数，将该聚类中心个数和识别种类数进行比较，可以准确地判断出是否为被训练的节点分类器分配下一层节点分类器，这样，在保证建立的图像分类模型识别准确率的情况下，还可以避免进行过多的不必要的分层，进一步地保证了建立图像分类模型的处理速度。

根据本发明的一个实施例，所述根据所述被训练的节点分类器的识别种类数和种类阈值，计算所述被训练的节点分类器的聚类中心个数，具体包括：通过以下公式计算所述聚类中心个数，

其中，ki表示被训练的第i个节点分类器的聚类中心个数，ceil()为取整公式，ni表示被训练的第i个节点分类器的识别种类数，ti表示被训练的第i个节点分类器的种类阈值。

根据本发明的实施例的图像分类模型的建立方法，通过将识别种类数和种类阈值的比值进行取整作为聚类中心个数，该聚类中心个数不仅可以用来判断被训练的节点分类器是否有下一层节点分类器，还可以用于对被训练的节点分类器进行训练。

根据本发明的一个实施例，所述判断被训练的节点分类器是否有下一层节点分类器，具体包括：获取所述被训练的节点分类器的识别种类数和/或识别率；通过判断所述被训练的节点分类器的识别种类数和/或识别率是否在预设范围内，来判断所述被训练的节点分类器是否有下一层节点分类器。

根据本发明的实施例的图像分类模型的建立方法，可以根据被训练的节点分类器对应的图像种类数作为判断依据进行分层，还可以通过被训练的节点分类器对图像的识别率确定是否分层，在不进行分层时，将该被训练的节点分类器训练成底层分类器，在保证图像分类模型具有较高的识别性能的情况下，避免进行过多的不必要的分层，进一步地保证了建立图像分类模型的处理速度。

根据本发明的一个实施例，所述特征向量为bow(bag-of-words)特征向量。

根据本发明的第二方面的实施例，提出了一种图像分类模型的建立装置，包括：提取单元，针对多种训练样本图像，按种类提取每张训练样本图像的特征向量；计算单元，用于根据所述特征向量，计算所述每种训练样本图像的特征均值；建立单元，用于根据所述每种训练样本图像的特征均值，建立多层树状的图像分类模型。

根据本发明的一个实施例的图像分类模型的建立装置，通过计算出每种训练样本图像的特征均值来建立多层树状的图像分类模型，避免通过计算每两个图像之间的相似度的方式来建立图像分类模型，从而有效地降低了建立图像分类模型时的处理数据量。另外，通过建立多层树状的图像分类模型，可以有效降低多种类模型过拟合的问题，提高系统识别率。

根据本发明的一个实施例，所述图像分类模型的每一层包括至少一个节点分类器，所述建立单元包括：判断子单元，用于当训练所述图像分类模型的任一节点分类器时，判断被训练的节点分类器是否有下一层节点分类器；训练子单元，用于若所述判断子单元判定所述被训练的节点分类器没有下一层节点分类器，则将所述被训练的节点分类器训练成底层分类器；所述训练子单元还用于，若所述判断子单元判定所述被训练的节点分类器有下一层节点分类器，则对所述被训练的节点分类器的识别种类的图像的特征均值进行聚类来确定所述被训练的节点分类器的每个下一层节点分类器的识别种类，以对所述每个下一层节点分类器进行训练。

根据本发明的一个实施例的图像分类模型的建立装置，通过聚类算法对节点分类器的识别种类的图像的特征均值进行聚类，以将相似度较高的图像归为一类，从而建立多层树状的图像分类模型，不仅解决了大数据样本分层困难的技术问题，还保证了图像分类模型对图像识别的准确率。

根据本发明的一个实施例，所述判断子单元具体用于，获取所述被训练的节点分类器的识别种类数和种类阈值，根据所述被训练的节点分类器的识别种类数和种类阈值，计算所述被训练的节点分类器的聚类中心个数，根据所述被训练的节点分类器的聚类中心个数和识别种类数，判断所述被训练的节点分类器是否有下一层节点分类器；以及在判定所述被训练的节点分类器有下一层节点分类器的情况下，所述被训练的节点分类器的下一层节点分类器的个数等于所述聚类中心个数。

根据本发明的一个实施例的图像分类模型的建立装置，通过计算被训练的节点分类器的聚类中心个数，将该聚类中心个数和识别种类数进行比较，可以准确地判断出是否为被训练的节点分类器分配下一层节点分类器，这样，在保证建立的图像分类模型识别准确率的情况下，还可以避免进行过多的不必要的分层，进一步地保证了建立图像分类模型的处理速度。

根据本发明的一个实施例，所述判断子单元具体用于，通过以下公式计算所述聚类中心个数，

其中，ki表示被训练的第i个节点分类器的聚类中心个数，ceil()为取整公式，ni表示被训练的第i个节点分类器的识别种类数，ti表示被训练的第i个节点分类器的种类阈值。

根据本发明的一个实施例的图像分类模型的建立装置，通过将识别种类数和种类阈值的比值进行取整作为聚类中心个数，该聚类中心个数不仅可以用来判断被训练的节点分类器是否有下一层节点分类器，还可以用于对被训练的节点分类器进行训练。

根据本发明的一个实施例，所述判断子单元具体用于，获取所述被训练的节点分类器的识别种类数和/或识别率，通过判断所述被训练的节点分类器的识别种类数和/或识别率是否在预设范围内，来判断所述被训练的节点分类器是否有下一层节点分类器。

根据本发明的一个实施例的图像分类模型的建立装置，可以根据被训练的节点分类器对应的图像种类数作为判断依据进行分层，还可以通过被训练的节点分类器对图像的识别率确定是否分层，在不进行分层时，将该被训练的节点分类器训练成底层分类器，在保证图像分类模型具有较高的识别性能的情况下，避免进行过多的不必要的分层，进一步地保证了建立图像分类模型的处理速度。

根据本发明的一个实施例，所述特征向量为bow特征向量。

根据本发明的第三方面的实施例，提出了一种具有图像处理功能的设备，包括上述技术方案中任一项所述的图像分类模型的建立装置，因此，该设备具有和上述技术方案中任一项所述的图像分类模型的建立装置相同的技术效果，在此不再赘述。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本发明的一个实施例的图像分类模型的建立方法的示意流程图；

图2示出了根据本发明的另一个实施例的图像分类模型的建立方法的示意流程图；

图3示出了根据本发明的又一个实施例的图像分类模型的建立方法的示意流程图；

图4示出了根据本发明的一个实施例的多层树状图像分类模型的示意图；

图5示出了根据本发明的实施例的图像分类模型的建立装置的示意框图；

图6示出了根据本发明的实施例的具有图像处理功能的设备的示意框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例一

如图1所示，根据本发明的一个实施例的图像分类模型的建立方法，包括：

步骤102，针对多种训练样本图像，按种类提取每张训练样本图像的特征向量。

例如，通过sift(scaleinvariantfeaturetransform，尺度不变特征变换)算法、lbp(localbinarypatterns，局部二值模式)或者颜色直方图提取每张图像的特征向量。

优选地，特征向量为bow特征向量。

其中，每种训练样本图像可以是食物图像，还可以是景物图像或人物图像，当然图像的种类包括但不限于以上的三种。

步骤104，根据所述特征向量，计算所述每种训练样本图像的特征均值。

具体通过以下公式计算每种训练样本图像的特征均值，

其中，ex表示第x种图像的特征均值，vxj表示第x种图像包含的第j张图像的特征向量，nx表示第x种图像包含的图像总数量。

步骤106，根据所述每种训练样本图像的特征均值，建立多层树状的图像分类模型。

其中，图像分类模型的每一层包括至少一个节点分类器，步骤106具体包括：当训练所述图像分类模型的任一节点分类器时，判断被训练的节点分类器是否有下一层节点分类器；若判定所述被训练的节点分类器没有下一层节点分类器，则将所述被训练的节点分类器训练成底层分类器；若判定所述被训练的节点分类器有下一层节点分类器，则对所述被训练的节点分类器的识别种类的图像的特征均值进行聚类来确定所述被训练的节点分类器的每个下一层节点分类器的识别种类，以对所述每个下一层节点分类器进行重复上述步骤的训练。

另外，在对被训练的节点分类器的识别种类的图像的特征均值进行聚类时，该被训练的节点分类器的聚类中心个数等于该被训练的节点分类器的下一层节点分类器的个数。

优选地，通过以下公式计算聚类中心个数，

其中，ki表示被训练的第i个节点分类器的聚类中心个数，ceil()为取整公式，ni表示被训练的第i个节点分类器的识别种类数，ti表示被训练的第i个节点分类器的种类阈值。

通过将识别种类数和种类阈值的比值进行取整，作为聚类中心个数，该聚类中心个数不仅可以用来判断被训练的节点分类器是否有下一层节点分类器，还可以用于对被训练的节点分类器进行训练。

在该技术方案中，通过计算出每种训练样本图像的特征均值来建立多层树状的图像分类模型，避免通过计算每两个图像之间的相似度的方式来建立图像分类模型，从而有效地降低了建立图像分类模型时的处理数据量。另外，通过建立多层树状的图像分类模型，可以利用较少的工作量实现多种类图像的分组与分层，从而有效降低多种类模型过拟合的问题，提高系统识别率。

实施例二

如图2所示，根据本发明的另一个实施例的图像分类模型的建立方法，包括：

步骤202，针对多种训练样本图像，按种类提取每张训练样本图像的特征向量。

例如，通过sift(scaleinvariantfeaturetransform，尺度不变特征变换)算法、lbp(localbinarypatterns，局部二值模式)或者颜色直方图提取每张图像的特征向量。

优选地，特征向量为bow特征向量。

其中，每种训练样本图像可以是食物图像，还可以是景物图像或人物图像，当然图像的种类包括但不限于以上的三种。

步骤204，根据每种训练样本图像包含的至少一张图像中的每张图像的特征向量，计算每种训练样本图像的特征均值。

具体通过以下公式计算每种训练样本图像的特征均值，

其中，ex表示第x种图像的特征均值，vxj表示第x种图像包含的第j张图像的特征向量，nx表示第x种图像包含的图像总数量。

步骤206，判断被训练的节点分类器对应的图像种类数和/或当前节点分类器的识别率是否满足预设条件，在判断结果为是时，执行步骤210，否则，执行步骤208。

具体地，在首次进行训练时，被训练的节点分类器为根节点分类器，被训练的节点分类器的识别种类数即为步骤202中的多种训练样本图像的种类数，获取被训练的节点分类器的识别种类数和/或识别率；若该识别种类数和/或识别率在预设范围内，则判定被训练的节点分类器没有下一层节点分类器，若该图像种类数和/或识别率不在预设范围内，则判定被训练的节点分类器有下一层节点分类器。

其中，在根据图像种类数判断被训练的节点分类器是否有下一层节点分类器的情况下，预设范围包括：图像种类数小于预设种类数，在根据识别率判断被训练的节点分类器是否有下一层节点分类器的情况下，预设范围包括识别率大于预设值。

根据被训练的节点分类器的识别种类数和/或对图像的识别率作为判断依据进行分层，在不进行分层时，将该被训练的节点分类器训练成底层分类器，在保证图像分类模型具有较高的识别性能的情况下，避免进行过多的不必要的分层，进一步地保证了建立图像分类模型的处理速度。

步骤208，对特征均值进行聚类。

具体地，获取被训练的节点分类器的识别种类数和种类阈值；根据识别种类数和种类阈值，计算被训练的节点分类器的聚类中心个数。该聚类中心个数即为被训练的节点分类器的下一层节点分类器的个数。对被训练的节点分类器的识别种类的图像的特征均值进行聚类。

通过聚类算法对节点分类器的识别种类的图像进行聚类，将相似度较高的图像归为一类，从而建立多层树状的图像分类模型，不仅解决了大数据样本分层困难的技术问题，还保证了图像分类模型对图像识别的准确率。

步骤210，将被训练的节点分类器训练成底层分类器。

步骤212，图像重新分组，训练当前节点分类器的下一层节点分类器。

即根据步骤208中的聚类结果，确定被训练的节点分类器的每个下一层节点分类器的识别种类的图像。然后重复步骤206和208，对每个下一层节点分类器进行训练，直到将所有节点分类器都训练成底层分类器时为止，从而完成建立多层树状的图像分类模型。

在该技术方案中，通过计算出每种训练样本图像的特征均值来建立多层树状的图像分类模型，避免通过计算每两个图像之间的相似度的方式来建立图像分类模型，从而有效地降低了建立图像分类模型时的处理数据量。另外，通过建立多层树状的图像分类模型，可以利用较少的工作量实现多种类图像的分组与分层，从而有效降低多种类模型过拟合的问题，提高系统识别率。

实施例三

如图3所示，根据本发明的另一个实施例的图像分类模型的建立方法，包括(在该实施例中训练样本图像为食物图像)：

步骤302，提取每张食物图像的bow特征向量。

例如，通过sift(scaleinvariantfeaturetransform，尺度不变特征变换)算法、lbp(localbinarypatterns，局部二值模式)或者颜色直方图提取每张图像的特征向量。

步骤304，计算每种食物图像的特征均值。

具体通过以下公式计算每种训练样本图像的特征均值，

其中，ex表示第x种食物图像的特征均值，vxj表示第x种食物图像包含的第j张图像的特征向量，nx表示第x种食物图像包含的图像总数量。

步骤306，判断被训练的节点分类器的ni是否大于ki，在判断结果为是时，执行步骤308，在判断结果为否时，执行步骤310。

具体地，获取被训练的节点分类器的识别种类数和种类阈值；根据识别种类数和种类阈值，计算被训练的节点分类器的聚类中心个数。ni为识别种类数，ki为聚类中心个数。

步骤308，对特征均值进行聚类。

对被训练的节点分类器的识别种类的食物图像的特征均值进行聚类。其中，若被训练的节点分类器为根节点分类器时，即首次进行训练时，该被训练的节点分类器的识别种类即为步骤302中的所有食物图像的种类。

步骤310，将被训练的节点分类器训练成底层分类器。

步骤312，食物图像重新分组，训练被训练的节点分类器的下一层节点分类器。

即根据步骤308中的聚类结果，确定被训练的节点分类器的每个下一层节点分类器的识别种类的图像。然后重复步骤306，对每个下一层节点分类器进行训练，直到将所有节点分类器都训练成底层分类器时为止，从而完成建立多层树状的图像分类模型。

例如，有50种食物图像，首先提取每张食物图像的lbp以及颜色特征，并存入一个向量中，计算每种食物图像的特征均值。根据该特征均值建立如图4所示的多层树状的图像分类模型。

如图4所示，在建立第一层的图像分类模型时，根节点分类器的识别种类数为50，根节点分类器的种类阈值为10，将根节点分类器的识别种类数与种类阈值的比值取整作为聚类中心个数，即聚类中心个数为5，该根节点分类器的下一层节点分类器的个数为5。对根节点分类器的50种食物图像的特征均值进行聚类，以将这50种食物图像分到根节点分类器的下一层节点分类器中。其中，第二层的第一个节点分类器的识别种类数为1，第二个节点分类器的识别种类数为13，第三个节点分类器的识别种类数为10，第四个节点分类器的识别种类数为9，第五个节点分类器的识别种类数为17。由于第一个节点分类器的识别种类数为1，因此，可以直接将该第一个节点分类器训练成底层分类器。

然后再对第二层中的其他的四个节点分类器进行训练。由于第二个节点分类器训练和第五个节点分类器的识别种类数大于10，故需要二次分层，其他节点分类器直接连接底层分类器，第二个节点分类器训练和第五个节点分类器在第三层后，也训练成底层分类器。

另外，在建立好图像分类模型之后，将待识别的图像载入该图像分类模型，先进入第1层的节点分类器，进行分类，如果直接得到具体食物类别，识别结束，若图像被识别出属于某一类，识别流程进入下一层的属于该类的节点分类器，进行后续识别，直至得到图像的最终分类。

图5示出了根据本发明的实施例的图像分类模型的建立装置的示意框图。

如图5所示，根据本发明的实施例的图像分类模型的建立装置500，包括：提取单元502、计算单元504和建立单元506。

提取单元502，针对多种训练样本图像，按种类提取每张训练样本图像的特征向量；计算单元504，用于根据所述特征向量，计算所述每种训练样本图像的特征均值；建立单元506，用于根据所述每种训练样本图像的特征均值，建立多层树状的图像分类模型。

在该技术方案中，通过计算出每种训练样本图像的特征均值来建立多层树状的图像分类模型，避免通过计算每两个图像之间的相似度的方式来建立图像分类模型，从而有效地降低了建立图像分类模型时的处理数据量。另外，通过建立多层树状的图像分类模型，可以利用较少的工作量实现多种类图像的分组与分层，从而有效降低多种类模型过拟合的问题，提高系统识别率。

在上述技术方案中，优选地，所述图像分类模型的每一层包括至少一个节点分类器，所述建立单元506包括：判断子单元5062，用于当训练所述图像分类模型的任一节点分类器时，判断被训练的节点分类器是否有下一层节点分类器；训练子单元5064，用于若所述判断子单元5062判定所述被训练的节点分类器没有下一层节点分类器，则将所述被训练的节点分类器训练成底层分类器；所述训练子单元5064还用于，若所述判断子单元5062判定所述被训练的节点分类器有下一层节点分类器，则对所述被训练的节点分类器的识别种类的图像的特征均值进行聚类来确定所述被训练的节点分类器的每个下一层节点分类器的识别种类，以对所述每个下一层节点分类器进行训练。

在该技术方案中，通过聚类算法对节点分类器的识别种类的图像的特征均值进行聚类，以将相似度较高的图像归为一类，从而建立多层树状的图像分类模型，不仅解决了大数据样本分层困难的技术问题，还保证了图像分类模型对图像识别的准确率。

在上述任一技术方案中，优选地，所述判断子单元5062具体用于，获取所述被训练的节点分类器的识别种类数和种类阈值，根据所述被训练的节点分类器的识别种类数和种类阈值，计算所述被训练的节点分类器的聚类中心个数，根据所述被训练的节点分类器的聚类中心个数和识别种类数，判断所述被训练的节点分类器是否有下一层节点分类器；以及在判定所述被训练的节点分类器有下一层节点分类器的情况下，所述被训练的节点分类器的下一层节点分类器的个数等于所述聚类中心个数。

在该技术方案中，通过计算被训练的节点分类器的聚类中心个数，将该聚类中心个数和识别种类数进行比较，可以准确地判断出是否为被训练的节点分类器分配下一层节点分类器，这样，在保证建立的图像分类模型识别准确率的情况下，还可以避免进行过多的不必要的分层，进一步地保证了建立图像分类模型的处理速度。

在上述任一技术方案中，优选地，所述判断子单元5062具体用于，通过以下公式计算所述聚类中心个数，

其中，ki表示所述被训练的第i个节点分类器的聚类中心个数，ceil()为取整公式，ni表示所述被训练的第i个节点分类器的识别种类数，ti表示所述被训练的第i个节点分类器的种类阈值。

在该技术方案中，通过将识别种类数和种类阈值的比值进行取整作为聚类中心个数，该聚类中心个数不仅可以用来判断被训练的节点分类器是否有下一层节点分类器，还可以用于对被训练的节点分类器进行训练。

在上述任一技术方案中，优选地，所述判断子单元5062具体用于，获取所述被训练的节点分类器的识别种类数和/或识别率，通过判断所述被训练的节点分类器的识别种类数和/或识别率是否在预设范围内，来判断所述被训练的节点分类器是否有下一层节点分类器。

在该技术方案中，可以根据被训练的节点分类器对应的图像种类数作为判断依据进行分层，还可以通过被训练的节点分类器对图像的识别率确定是否分层，在不进行分层时，将该被训练的节点分类器训练成底层分类器，在保证图像分类模型具有较高的识别性能的情况下，避免进行过多的不必要的分层，进一步地保证了建立图像分类模型的处理速度。

在上述任一技术方案中，优选地，所述特征向量为bow特征向量。

图6示出了根据本发明的实施例的具有图像处理功能的设备的示意框图。

如图6所示，根据本发明的实施例的具有图像处理功能的设备600，包括上述技术方案中任一项所述的图像分类模型的建立装置500，因此，该具有图像处理功能的设备600具有和上述技术方案中任一项所述的图像分类模型的建立装置500相同的技术效果，在此不再赘述。

其中，具有图像处理功能的设备600包括但不限于：服务器、家用电器和终端。

以上结合附图详细说明了本发明的技术方案，通过本发明的技术方案，可以利用较少的工作量实现多种类图像的分组与分层，并降低过拟合，提系统高识别率。

在本发明中，术语“第一”、“第二”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”表示两个或两个以上。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。