1.一种图像处理方法，其特征在于，包括：

获取图像信息；

根据所述图像信息，利用特征提取器进行特征提取，得到特征信息；

将所述特征信息发送至分类器；

分类器根据所述特征信息进行计算，得到特征信息与对应的分类器中超平面的最小特征距离；

判断所述最小特征距离是否大于预设的距离阈值；

若大于，则将所述分类器的分类信息作为最终分类信息；否则，在进行图像预处理后重新进行特征向量计算和分类；

其中，所述特征提取器为经过预先训练设置的特征提取器，具体为：获取大规模物体图像数据集；

将所述大规模物体图像数据集进行图像训练，得到深度卷积神经网络AlexNet；其中，深度卷积神经网络AlexNet的第一层包括用于捕获blob和边缘特征的过滤器，所述深度卷积神经网络AlexNet的中间层包括五个卷积层和三个完全连接的层，散布有整流线性单元和最大池层，所述深度卷积神经网络AlexNet的最后一层为分类层，所述深度卷积神经网络AlexNet的各层的权重通过训练确定；

获取所述深度卷积神经网络AlexNet的卷积层；

将所述卷积层作为特征提取器；

其中，所述将所述大规模物体图像数据集进行图像训练，得到深度卷积神经网络AlexNet，还包括：采用模式增强技术对大规模物体图像数据集中的图像进行处理，得到处理后的图像；

针对所述处理后的图像进行训练，得到新的深度卷积神经网络AlexNet，将所述新的深度卷积神经网络AlexNet卷积层作为特征提取器；

所述分类器为使用卷积神经网络功能训练的分类器；其中，使用高维CNN特征向量输入分类器进行训练时，使用随机梯度下降求解器来加速训练。

2.根据权利要求1所述的一种图像处理方法，其特征在于：采用所述深度卷积神经网络AlexNet的第十七层作为特征提取器，将在所述深度卷积神经网络AlexNet的第十七层得到的特征信息发送至分类器中。

3.一种图像处理装置，其特征在于，该装置包括：存储器、处理器，所述存储器中包括图像处理方法程序，所述图像处理方法程序被所述处理器执行时实现如下步骤：获取图像信息；

根据所述图像信息，利用特征提取器进行特征提取，得到特征信息；

将所述特征信息发送至分类器；

分类器根据所述特征信息进行计算，得到特征信息与对应的分类器中超平面的最小特征距离；

判断所述最小特征距离是否大于预设的距离阈值；

若大于，则将所述分类器的分类信息作为最终分类信息；否则，在进行图像预处理后重新进行特征向量计算和分类；

其中，所述特征提取器为经过预先训练设置的特征提取器，具体为：获取大规模物体图像数据集；

将所述大规模物体图像数据集进行图像训练，得到深度卷积神经网络AlexNet；其中，深度卷积神经网络AlexNet的第一层包括用于捕获blob和边缘特征的过滤器，所述深度卷积神经网络AlexNet的中间层包括五个卷积层和三个完全连接的层，散布有整流线性单元和最大池层，所述深度卷积神经网络AlexNet的最后一层为分类层，所述深度卷积神经网络AlexNet的各层的权重通过训练确定；

获取所述深度卷积神经网络AlexNet的卷积层；

将所述卷积层作为特征提取器；

其中，所述将所述大规模物体图像数据集进行图像训练，得到深度卷积神经网络AlexNet，还包括：采用模式增强技术对大规模物体图像数据集中的图像进行处理，得到处理后的图像；

针对所述处理后的图像进行训练，得到新的深度卷积神经网络AlexNet，将所述新的深度卷积神经网络AlexNet卷积层作为特征提取器；

所述分类器为使用卷积神经网络功能训练的分类器；其中，使用高维CNN特征向量输入分类器进行训练时，使用随机梯度下降求解器来加速训练。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括图像处理方法程序，所述图像处理方法程序被处理器执行时，实现如权利要求1或2所述的一种图像处理方法的步骤。