1.一種物體識(shí)別方法，其特征在于，包括：
S1：將待識(shí)別物體當(dāng)前最優(yōu)視角的一深度圖輸入特征提取器進(jìn)行特征提取，得到第一特征向量；
S2：將所述第一特征向量通過(guò)第一隱含層得到池化層結(jié)果，將所述池化層結(jié)果輸入層次化分類(lèi)器得到分類(lèi)結(jié)果；
S3：根據(jù)所述池化層結(jié)果及視角觀(guān)測(cè)參數(shù)的觀(guān)測(cè)向量生成當(dāng)前聚焦的局部區(qū)域；
S4：將所述局部區(qū)域輸入第二隱含層得到第二特征向量，所述第二特征向量包括所述池化層結(jié)果及當(dāng)前局部觀(guān)測(cè)視角的信息；
S5：利用一全連接層及所述第二特征向量生成下一最優(yōu)視角；
S6：重復(fù)所述S1至S5，直至所述分類(lèi)結(jié)果遍歷到所述層次化分類(lèi)器葉子節(jié)點(diǎn)。
2.根據(jù)權(quán)利要求1所述的物體識(shí)別方法，其特征在于，所述第一隱含層為最大池化層，用于將各個(gè)視角的信息進(jìn)行集成。
3.根據(jù)權(quán)利要求1所述的物體識(shí)別方法，其特征在于，還包括：將視角觀(guān)測(cè)參數(shù)通過(guò)非線(xiàn)性函數(shù)編碼成所述觀(guān)測(cè)向量。
4.根據(jù)權(quán)利要求1所述的物體識(shí)別方法，其特征在于，還包括：
對(duì)于每一個(gè)非根節(jié)點(diǎn)，利用高斯混合模型對(duì)形狀進(jìn)行聚類(lèi)；
基于聚類(lèi)結(jié)果訓(xùn)練所述層次化分類(lèi)器。
5.根據(jù)權(quán)利要求1所述的物體識(shí)別方法，其特征在于，如果所述深度圖存在遮擋，還包括：
提取所述深度圖的一系列局部圖像，在所述層次化分類(lèi)器的每個(gè)節(jié)點(diǎn)訓(xùn)練一個(gè)局部級(jí)別的卷積神經(jīng)網(wǎng)絡(luò)。
6.一種物體識(shí)別裝置，其特征在于，包括：
特征提取單元，用于將待識(shí)別物體當(dāng)前最優(yōu)視角的一深度圖輸入特征提取器進(jìn)行特征提取，得到第一特征向量；
分類(lèi)單元，用于將所述第一特征向量通過(guò)第一隱含層得到池化層結(jié)果，將所述池化層結(jié)果輸入層次化分類(lèi)器得到分類(lèi)結(jié)果；
區(qū)域生成單元，用于根據(jù)所述池化層結(jié)果及視角觀(guān)測(cè)參數(shù)的觀(guān)測(cè)向量生成當(dāng)前聚焦的局部區(qū)域；
向量生成單元，用于將所述局部區(qū)域輸入第二隱含層得到第二特征向量，所述第二特征向量包括所述池化層結(jié)果及當(dāng)前局部觀(guān)測(cè)視角的信息；
最優(yōu)視角生成單元，用于利用一全連接層及所述第二特征向量生成下一最優(yōu)視角。
7.根據(jù)權(quán)利要求6所述的物體識(shí)別裝置，其特征在于，所述第一隱含層為最大池化層，用于將各個(gè)視角的信息進(jìn)行集成。
8.根據(jù)權(quán)利要求6所述的物體識(shí)別裝置，其特征在于，還包括：編碼單元，用于將視角觀(guān)測(cè)參數(shù)通過(guò)非線(xiàn)性函數(shù)編碼成所述觀(guān)測(cè)向量。
9.根據(jù)權(quán)利要求6所述的物體識(shí)別裝置，其特征在于，還包括：
聚類(lèi)單元，用于對(duì)于每一個(gè)非根節(jié)點(diǎn)，利用高斯混合模型對(duì)形狀進(jìn)行聚類(lèi)；
分類(lèi)單元，用于基于聚類(lèi)結(jié)果訓(xùn)練所述層次化分類(lèi)器。
10.根據(jù)權(quán)利要求6所述的物體識(shí)別裝置，其特征在于，還包括：
遮擋容錯(cuò)單元，用于提取所述深度圖的一系列局部圖像，在所述層次化分類(lèi)器的每個(gè)節(jié)點(diǎn)訓(xùn)練一個(gè)局部級(jí)別的卷積神經(jīng)網(wǎng)絡(luò)。