1.一种基于自适应分离和两级对齐的图像开集域适应识别方法，其特征在于，所述方法包括：将待识别目标域图像输入训练完成的开集域适应识别模型，得到识别结果；其中，所述开集域适应识别模型的训练过程包括：利用源域训练数据训练预先构建的分类模型；其中，所述源域训练数据包括源域图像及对应的类别标签；所述源域图像包括K类的已知类图像；K为大于1的整数；当所述分类模型的训练轮次大于第一预设训练轮次时，将预先构建的自适应分离模块和预先构建的两级对齐模块加入经过训练的所述分类模型，得到所述开集域适应识别模型；其中，所述自适应分离模块用于分离目标域中的已知类图像和未知类图像，所述两级对齐模块用于将初步训练的所述分类模型对于源域的分类知识迁移至目标域；利用所述源域训练数据和目标域训练数据对所述开集域适应识别模型进行训练，当所述开集域适应识别模型的训练轮次大于第二预设训练轮次时，得到训练完成的所述开集域适应识别模型；其中，目标域训练数据包括目标域图像；所述目标域图像包括K类的已知类图像和1类的未知类图像。
2.根据权利要求1所述的基于自适应分离和两级对齐的图像开集域适应识别方法，其特征在于，所述利用源域训练数据训练预先构建的分类模型，包括：初始化所述分类模型的参数；其中，所述分类模型包括：特征提取器和分类器；所述特征提取器用于提取输入图像的特征，所述分类器用于根据提取到的图像特征进行图像类别识别；利用所述源域训练数据训练所述分类模型，并利用无偏学习损失函数对所述分类模型的参数进行调整，直至所述分类模型的训练轮次大于所述第一预设训练轮次，得到经过训练的所述分类模型。
3.根据权利要求2所述的基于自适应分离和两级对齐的图像开集域适应识别方法，其特征在于，所述无偏学习损失函数表示如下： ；其中， 表示所述无偏学习损失函数， 表示已知类像素块特征集合， 表示未知类像素块特征集合， 表示已知类， 表示未知类， 表示预设的第一子损失函数， 表示预设的第二子损失函数。
4.根据权利要求3所述的基于自适应分离和两级对齐的图像开集域适应识别方法，其特征在于，所述第一子损失函数表示如下： ；其中， 表示一个批次的图像数量， 表示第 个源域图像的图像特征对应的类别标签， 表示第 个源域图像经过特征提取器提取到样本特征 后，被分类器预测分类的softmax标签类得分， 为预测结果。
5.根据权利要求4所述的基于自适应分离和两级对齐的图像开集域适应识别方法，其特征在于，所述第二子损失函数表示如下： ；其中， 表示第 个未知类像素块特征， 表示第 个未知类像素块特征被分类器预测分类的softmax标签类得分。
6.根据权利要求2所述的基于自适应分离和两级对齐的图像开集域适应识别方法，其特征在于，在所述初始化所述分类模型的参数之后，所述方法还包括：将所述特征提取器提取到的源域图像特征输入原型网络，根据所述源域图像特征对应的类别标签，构建源域的源域已知类原型。
7.根据权利要求1所述的基于自适应分离和两级对齐的图像开集域适应识别方法，其特征在于，所述自适应分离模块的构建过程包括：计算K类的已知类图像中各个类中心之间的平均最小距离之和，记为第一距离；将所述目标域训练数据按批次输入经过训练的所述分类模型，根据单批次的目标识别结果中最大值超过预设阈值的目标域图像得到单批次样本集合，并根据单批次样本集合中每个目标识别结果中的最大值对应的类别，为对应的目标域图像分配伪标签；其中，所述伪标签表征目标域图像的类别；根据所述目标识别结果和所述伪标签的交叉熵损失，得到第二距离；根据所述第一距离和所述第二距离得到自适应阈值；根据所述自适应阈值得到分离损失函数；获取分离损失权重，并根据所述分离损失权重加权所述分离损失函数，得到加权后的所述分离损失函数；利用加权后的所述分离损失函数和梯度反转层构建所述自适应分离模块。
8.根据权利要求7所述的基于自适应分离和两级对齐的图像开集域适应识别方法，其特征在于，加权后的所述分离损失函数表示如下： ；其中， 表示加权后的所述分离损失函数的函数值， 表示所述分离损失权重， 表示二值交叉熵函数， 表示分类器对目标域批次中的目标域图像特征 的one_hot目标识别结果中的未知类得分， 表示所述自适应阈值。
9.根据权利要求6所述的基于自适应分离和两级对齐的图像开集域适应识别方法，所述两级对齐模块的构建过程包括：根据域鉴别器和梯度反转层构建域级对齐子模块；将所述目标域训练数据输入经过训练的所述分类模型，将所述特征提取器提取到的目标域图像特征输入所述原型网络，根据所述目标域图像特征对应的伪标签，构建目标域的目标域已知类原型；其中，所述伪标签为独热向量；根据所述源域已知类原型和所述目标域已知类原型构建类级对齐子模块；根据所述域级对齐子模块和所述类级对齐子模块构建两级对齐模块。
