1.一種圖像分類器建立方法，其特征在于，包括：
獲取樣本圖片集，所述樣本圖片集中包含含目標圖像的正樣本和不含目標圖像的負樣本；
對所述樣本圖片集中的樣本圖片進行變形處理，得到擴充后的樣本圖片集；
根據(jù)所述擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡模型，獲得針對所述目標圖像的分類器；其中，所述深度卷積神經(jīng)網(wǎng)絡模型中對卷積層的輸出進行歸一化處理。
2.如權利要求1所述的方法，其特征在于，對所述樣本圖片集中的樣本圖片進行變形處理，包括以下至少之一：
鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、隨機裁剪、亮度調(diào)整。
3.如權利要求1所述的方法，其特征在于，包括：
所述深度卷積神經(jīng)網(wǎng)絡模型為Googlenet模型；
根據(jù)所述擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡模型，獲得針對所述目標圖像的分類器，包括：
將所述樣本圖片輸入初始化的Googlenet模型中；
前向傳播獲取所述Googlenet模型的損失函數(shù)loss值；
根據(jù)所述loss值反向傳播更新所述Googlenet模型參數(shù)，直至所述Googlenet模型的loss值符合預設條件，得到針對所述目標圖像的分類器。
4.如權利要求1所述的方法，其特征在于，所述深度卷積神經(jīng)網(wǎng)絡模型中對卷積層的輸出進行歸一化處理，包括：
對所述深度卷積神經(jīng)網(wǎng)絡模型中的每層卷積層的輸出值進行歸一化處理。
5.一種根據(jù)如權利要求1至4任一項所述的方法建立的圖像分類器的圖像識別方法，其特征在于，包括：
獲取待識別圖片；
將所述待識別圖片輸入所述分類器，得到所述待識別圖片是否包含所述目標圖像的分類結(jié)果。
6.一種圖像分類器建立裝置，其特征在于，包括：
獲取模塊，用于獲取樣本圖片集，所述樣本圖片集中包含含目標圖像的正樣本和不含目標圖像的負樣本；
擴充模塊，用于對所述樣本圖片集中的樣本圖片進行變形處理，得到擴充后的樣本圖片集；
處理模塊，用于根據(jù)所述擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡模型，獲得針對所述目標圖像的分類器；其中，所述深度卷積神經(jīng)網(wǎng)絡模型中對卷積層的輸出進行歸一化處理。
7.如權利要求6所述的裝置，其特征在于，
所述擴充模塊，具體用于對所述樣本圖片集中的樣本圖片進行如下至少之一的變形處理：鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、隨機裁剪、亮度調(diào)整。
8.如權利要求6所述的裝置，其特征在于，
所述處理模塊采用的所述深度卷積神經(jīng)網(wǎng)絡模型為Googlenet模型；
所述處理模塊具體用于：
將所述樣本圖片輸入初始化的Googlenet模型中；
前向傳播獲取所述Googlenet模型的損失函數(shù)loss值；
根據(jù)所述loss值反向傳播更新所述Googlenet模型參數(shù)，直至所述Googlenet模型的loss值符合預設條件，得到針對所述目標圖像的分類器。
9.如權利要求6所述的裝置，其特征在于，
所述處理模塊，具體用于對所述深度卷積神經(jīng)網(wǎng)絡模型中的每層卷積層的輸出值進行歸一化處理。
10.一種圖像識別裝置，其特征在于，包括：
獲取模塊，用于獲取待識別圖片；
處理模塊，用于將所述待識別圖片輸入目標圖像的分類器，得到所述待識別圖片是否包含所述目標圖像的分類結(jié)果，其中，所述目標圖像的分類器由權利要求6至9任一項所述圖像分類器建立裝置得到。