1.一种用于对图像中的对象分类的方法，包括：获得每个所述图像的至少一个候选限界框，其中每个候选限界框含有待分类的一个对象；

通过特征学习CNN从每个所述候选限界框提取外观特征；

基于所提取的外观特征计算每个候选限界框的n‑分类得分；以及将每个候选限界框中的对象分类为n个类别中的一个类别，其中n是大于1的整数，其中，训练所述特征学习CNN包括：用微调图像集合训练具有第一数目的节点的第一输出层和具有所述第一数目的整数倍的节点的第二输出层的第二CNN，用经过训练的第二CNN的神经参数初始化第三CNN；

用所述微调图像集合训练所述第三CNN；

为经过训练的第三CNN添加第二数目的输出层，其中所述第二数目的输出层中的每个输出层用于n‑类别分类；用所述第三CNN的神经参数初始化第四CNN ；

用具有n个节点的新输出层替换所述第四CNN的输出层；以及用所述微调图像集合微调所述第四CNN以获得所述特征学习CNN，其中，所述微调图像集合中的每个微调训练图像具有至少一个真值限界框和至少一个候选限界框，以及其中，通过根据每个所述微调训练图像的每个候选限界框和其对应真值限界框在每个所述微调训练图像中的相对位置和大小关系对所述微调训练图像聚类来确定所述第一数目。

2.根据权利要求1所述的方法，其中，通过以下操作训练所述第二CNN：用经过预训练图像集合预训练过的第一CNN的神经参数初始化所述第二CNN；

用两个新的神经层替换所述第二CNN的输出层；以及用所述微调图像集合训练所述第二CNN。

3.根据权利要求2所述的方法，其中，所述预训练图像集合中的每个预训练图像具有至少一个真值限界框。

4.根据权利要求1所述的方法，其中，通过根据所述微调训练图像的所述真值限界框在每个所述微调训练图像中的相对位置和大小关系对所述微调训练图像集合聚类来确定所述第二数目。

5.根据权利要求2所述的方法，进一步包括：基于在每个所述微调训练图像中所述真值限界框与所述对应候选限界框之间的重叠计算损失函数；以及反向传播通过所述第一CNN、所述第二CNN和所述第三CNN中的至少一个直到所述损失函数最小化，从而确定出所述第一CNN、所述第二CNN和所述第三CNN的神经参数。

6.根据权利要求1所述的方法，其中，在所述提取之前所述方法进一步包括：裁剪每个所述候选限界框；以及

旋转经过裁剪的所述候选限界框。

7.根据权利要求1所述的方法，其中，在所述提取之前所述方法进一步包括：提取特征之前，按照因子缩放每个所述候选限界框。

8.一种用于对图像中的对象分类的系统，包括：用于获得每个所述图像的至少一个候选限界框的装置，其中每个候选限界框含有待分类的一个对象；

用于通过特征学习CNN从每个所述候选限界框提取外观特征的装置；

用于基于所提取的外观特征计算每个候选框的n‑分类得分的装置；以及用于将每个候选限界框中的对象分类为n个类别中的一个类别的装置，其中n是大于1的整数，其中，训练所述特征学习CNN包括：

用微调图像集合训练具有第一数目的节点的第一输出层和具有所述第一数目的整数倍的节点的第二输出层的第二CNN，用经过训练的第二CNN的神经参数初始化第三CNN；

用所述微调图像集合训练所述第三CNN；

为经过训练的第三CNN添加第二数目的输出层，其中所述第二数目的输出层中的每个输出层用于n‑类别分类用所述第三CNN的神经参数初始化第四CNN；

用具有n个节点的新输出层替换所述第四CNN的输出层；以及用所述微调图像集合微调所述第四CNN以获得所述特征学习CNN，其中，所述微调图像集合中的每个微调训练图像具有至少一个真值限界框和至少一个候选限界框，以及其中，通过根据每个所述微调训练图像的每个候选限界框和其对应真值限界框在每个所述微调训练图像中的相对位置和大小关系对所述微调训练图像聚类来确定所述第一数目。

9.根据权利要求8所述的系统，其中，通过以下操作训练所述第二CNN：用经过预训练图像集合预训练过的第一CNN的神经参数初始化所述第二CNN；

用两个新层替换所述第二CNN的输出层；以及用所述微调图像集合训练所述第二CNN。

10.根据权利要求9所述的系统，其中，所述预训练图像集合中的每个预训练图像具有至少一个真值限界框。

11.根据权利要求8所述的系统，其中，通过根据所述微调训练图像的所述真值限界框在每个所述微调训练图像中的相对位置和大小关系对所述微调训练图像集合聚类来确定所述第二数目。

12.根据权利要求9所述的系统，进一步包括：用于基于在每个所述微调训练图像中所述真值限界框与所述对应候选限界框之间的重叠计算损失函数的装置；以及用于反向传播通过所述第一CNN、所述第二CNN和所述第三CNN中的至少一个直到所述损失函数最小化，从而确定出所述第一CNN、所述第二CNN和所述第三CNN的神经参数的装置。

13.根据权利要求8所述的系统，进一步包括：用于在所述提取之前裁剪每个所述候选限界框的装置；以及用于旋转经过裁剪的候选限界框的装置。

14.根据权利要求8所述的系统，进一步包括：用于在所提取特征之前，按照因子缩放每个所述候选限界框的装置。

15.一种用于对图像中的对象分类的系统，包括：存储器，其存储可执行组件；以及

处理器，其执行所述可执行组件以进行以下操作：获得所述图像中的每个图像的至少一个候选限界框，其中每个候选限界框含有待分类的一个对象；

通过特征学习CNN从每个所述候选限界框提取外观特征；

基于所提取的外观特征计算每个候选框的n‑分类得分；以及将每个候选限界框中的对象分类为n个类别中的一个类别，其中n是大于1的整数，其中，训练所述特征学习CNN包括：用微调图像集合训练具有第一数目的节点的第一输出层和具有所述第一数目的整数倍的节点的第二输出层的第二CNN，用经过训练的第二CNN的神经参数初始化第三CNN；

用所述微调图像集合训练所述第三CNN；

为经过训练的第三CNN添加第二数目的输出层，其中所述第二数目的输出层中的每个输出层用于n‑类别分类；

用所述第三CNN的神经参数初始化第四CNN；

用具有n个节点的新输出层替换所述第四CNN的输出层；以及用所述微调图像集合微调所述第四CNN以获得所述特征学习CNN，其中，所述微调图像集合中的每个微调训练图像具有至少一个真值限界框和至少一个候选限界框，以及其中，通过根据每个所述微调训练图像的每个候选限界框和其对应真值限界框在每个所述微调训练图像中的相对位置和大小关系对所述微调训练图像聚类来确定所述第一数目。

16.根据权利要求15所述的系统，其中，通过以下操作训练所述第二CNN：用经过预训练图像集合预训练过的第一CNN的神经参数初始化所述第二CNN；

用两个新层替换所述第二CNN的输出层；以及用所述微调图像集合训练所述第二CNN。