1.一种图像识别方法，其特征在于，应用于电子设备中的协处理器，所述电子设备中还包括中央处理器CPU，所述方法包括：接收由所述CPU发送的待识别图像；

将所述待识别图像输入至预先构建的内容识别神经网络，获得内容识别结果，所述内容识别结果中包括：所述待识别图像所包含的对象的类别及位置；其中，所述内容识别神经网络：用于识别图像所包含的对象的类别及位置；

将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性；其中，所述属性识别神经网络用于识别对象的属性；

将得到的每个对象的类别及属性发送给所述CPU，以使所述CPU将接收到的对象的类别及属性，作为所述待识别图像的图像识别结果。

2.根据权利要求1所述的方法，其特征在于，所述将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性的步骤，包括：基于预设映射关系和所述待识别图像所包含的每个对象的类别，确定所述每个对象对应的属性识别神经网络；其中，所述预设映射关系包括：预设的类别和预先构建的属性识别神经网络之间的对应关系；

将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性。

3.根据权利要求2所述的方法，其特征在于，所述将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性的步骤，包括：将所述待识别图像所包含的对象分为两组，得到第一组对象和第二组对象；

基于所述第一组对象中每个对象的位置，将所述第一组对象中每个对象输入至：该对象对应的属性识别神经网络，得到所述第一组对象中每个对象的属性；

将所述第二组对象中每个对象的位置发送至所述CPU，以使所述CPU基于所述第二组对象中每个对象的位置，将所述第二组对象中每个对象输入至：该对象对应的属性识别神经网络，得到所述第二组对象中每个对象的属性；

所述将得到的每个对象的类别及属性发送给所述CPU的步骤，包括：将所述第一组对象中每个对象的类别及属性，所述第二组对象中每个对象的类别发送至所述CPU，以使所述CPU将所述第一组对象中每个对象的类别及属性，和所述第二组对象中每个对象的类别及属性，作为所述待识别图像的图像识别结果。

4.根据权利要求3所述的方法，其特征在于，所述将所述待识别图像所包含的对象分为两组，得到第一组对象和第二组对象的步骤，包括：从所述待识别图像所包含的对象中选择出预设数量个对象，作为第一组对象，剩余对象作为第二组对象；

或者，

将所述待识别图像中第一预设类别的对象，作为第一组对象，将所述待识别图像中不为所述第一预设类别的对象，作为第二组对象。

5.根据权利要求2所述的方法，其特征在于，所述将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性的步骤，包括：将所述待识别图像所包含的对象中为第二预设类别的每个第一对象的位置发送至所述CPU，以使所述CPU基于每个第一对象的位置，将每个第一对象输入至：该第一对象对应的属性识别神经网络中的第一类属性识别神经网络，得到每个第一对象的第一类属性；

将所述每个第一对象输入至：该第一对象对应的属性识别神经网络中的第二类属性识别神经网络，得到每个第一对象的第二类属性；

将所述待识别图像所包含的对象中不为所述第二预设类别的每个第二对象，输入至：该第二对象对应的属性识别神经网络中的第二类属性识别神经网络，得到每个第二对象的第二类属性；

所述将得到的每个对象的类别和属性发送给所述CPU的步骤，包括：将每个第一对象的第二类属性和类别，及每个第二对象的第二属性和类别发送至所述CPU，以使所述CPU将每个第一对象的第一类属性、第二类属性和类别，以及每个第二对象的第二类属性及类别，作为所述待识别图像的图像识别结果。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述将得到的每个对象的类别及属性发送给所述CPU，以使所述CPU将接收到的对象的类别及属性，作为所述待识别图像的图像识别结果的步骤，包括：将得到的每个对象的位置、类别及属性发送给所述CPU，以使所述CPU将接收到的对象的位置、类别及属性，作为所述待识别图像的图像识别结果。

7.根据权利要求1-5中任一项所述的方法，其特征在于，所述内容识别神经网络还用于识别图像所包含的对象的类别对应的置信度；所述内容识别结果中还包括：所述图像所包含的对象的类别对应的置信度；

在所述将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性之前，所述方法还包括：判断得到的置信度是否大于预设阈值；

若是，将大于所述预设阈值的置信度对应的对象，作为筛选后的对象；

所述将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性的步骤，包括：基于筛选后的每个对象的位置，将筛选后的每个对象发送至预先构建的属性识别神经网络进行属性识别，得到筛选后的每个对象的属性；

所述将得到的每个对象的类别及属性发送给所述CPU的步骤，包括：将得到的筛选后的每个对象的类别及属性发送给所述CPU。

8.根据权利要求1所述的方法，其特征在于，所述协处理器包括图形处理器GPU、数字信号处理器DSP和现场可编程门阵列处理器FPGA中的至少一种。

9.根据权利要求1所述的方法，其特征在于，所述将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性的步骤，包括：将得到的每个位置对应的对象进行缩放处理；

将缩放处理后得到的每个对象输入至预先构建的属性识别神经网络，获得每个对象的属性。

10.根据权利要求1所述的方法，其特征在于，所述待识别图像为：所述CPU对原始图像进行图像格式转换和缩放处理后得到的。

11.一种电子设备，其特征在于，所述电子设备包括协处理器和中央处理器CPU；

所述CPU，用于向所述协处理器发送待识别图像；

所述协处理器，用于接收所述CPU发送的待识别图像；

所述协处理器，还用于将所述待识别图像输入至预先构建的内容识别神经网络，获得内容识别结果，所述内容识别结果中包括：所述待识别图像所包含的对象的类别及位置；其中，所述内容识别神经网络：用于识别图像所包含的对象的类别及位置；

所述协处理器，还用于将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性；其中，所述属性识别神经网络用于识别对象的属性；

所述协处理器，还用于将得到的每个对象的类别及属性发送给所述CPU；

所述CPU，还用于接收所述协处理器发送的每个对象的类别及属性，并将接收到的对象的类别及属性，作为所述待识别图像的图像识别结果。

12.根据权利要求11所述的电子设备，其特征在于，所述协处理器具体用于：基于预设映射关系和所述待识别图像所包含的每个对象的类别，确定所述每个对象对应的属性识别神经网络；其中，所述预设映射关系包括：预设的类别和预先构建的属性识别神经网络之间的对应关系；

将得到的每个位置对应的对象输入至：该对象对应的属性识别神经网络，得到每个对象的属性。

13.根据权利要求12所述的电子设备，其特征在于，所述协处理器具体用于将所述待识别图像所包含的对象分为两组，得到第一组对象和第二组对象；

基于所述第一组对象中每个对象的位置，将所述第一组对象中每个对象输入至：该对象对应的属性识别神经网络，得到所述第一组对象中每个对象的属性；

将所述第二组对象中每个对象的位置发送至所述CPU，以使所述CPU基于所述第二组对象中每个对象的位置，将所述第二组对象中每个对象输入至：该对象对应的属性识别神经网络，得到所述第二组对象中每个对象的属性；

所述协处理器还具体用于：将所述第一组对象中每个对象的类别及属性，所述第二组对象中每个对象的类别发送至所述CPU；

所述CPU具体用于：将所述第一组对象中每个对象的类别及属性，和所述第二组对象中每个对象的类别及属性，作为所述待识别图像的图像识别结果。

14.根据权利要求13所述的电子设备，其特征在于，所述协处理器具体用于：从所述待识别图像所包含的对象中选择出预设数量个对象，作为第一组对象，剩余对象作为第二组对象；

或者，将所述待识别图像中第一预设类别的对象，作为第一组对象，将所述待识别图像中不为所述第一预设类别的对象，作为第二组对象。

15.根据权利要求12所述的电子设备，其特征在于，所述协处理器具体用于：将所述待识别图像所包含的对象中为第二预设类别的每个第一对象的位置发送至所述CPU，以使所述CPU基于每个第一对象的位置，将每个第一对象输入至：该第一对象对应的属性识别神经网络中的第一类属性识别神经网络，得到每个第一对象的第一类属性；

将所述每个第一对象输入至：该第一对象对应的属性识别神经网络中的第二类属性识别神经网络，得到每个第一对象的第二类属性；

将所述待识别图像所包含的对象中不为所述第二预设类别的每个第二对象输入至：该第二对象对应的属性识别神经网络中的第二类属性识别神经网络，得到每个第二对象的第二类属性；将每个第一对象的第二类属性和类别，及每个第二对象的第二属性和类别发送至所述CPU；

所述CPU具体用于：将每个第一对象的第一类属性、第二类属性和类别，以及每个第二对象的第二类属性及类别，作为所述待识别图像的图像识别结果。

16.根据权利要求11-15中任一项所述的电子设备，其特征在于，所述协处理器具体用于：将得到的每个对象的位置、类别及属性发送给所述CPU；

所述CPU具体用于：将接收到的对象的位置、类别及属性，作为所述待识别图像的图像识别结果。

17.根据权利要求11-15中任一项所述的电子设备，其特征在于，所述内容识别神经网络还用于识别图像所包含的对象的类别对应的置信度；所述内容识别结果中还包括：所述图像所包含的对象的类别对应的置信度；

所述协处理器还用于：在将得到的每个位置对应的对象输入至预先构建的属性识别神经网络，获得每个对象的属性之前，判断得到的置信度是否大于预设阈值；若是，将大于所述预设阈值的置信度对应的对象，作为筛选后的对象；基于筛选后的每个对象的位置，将筛选后的每个对象发送至预先构建的属性识别神经网络进行属性识别，得到筛选后的每个对象的属性；将得到的筛选后的每个对象的类别及属性发送给所述CPU。

18.根据权利要求11所述的电子设备，其特征在于，所述协处理器包括图形处理器GPU、数字信号处理器DSP和现场可编程门阵列处理器FPGA中的至少一种。

19.根据权利要求11所述的电子设备，其特征在于，所述协处理器具体用于：将得到的每个位置对应的对象进行缩放处理；

将缩放处理后得到的每个对象输入至预先构建的属性识别神经网络，获得每个对象的属性。

20.根据权利要求11所述的电子设备，其特征在于，所述CPU还用于：对原始图像进行图像格式转换和缩放处理，获得待识别图像。