1.一种基于人工合成数据过采样技术的不平衡物体识别方法，其特征在于，包括：S1、将源领域少数类样本与目标领域训练样本混合；所述目标领域训练样本，包括：目标领域少数类训练样本和目标领域多数类训练样本；

S2、对每个所述源领域少数类样本在目标领域训练样本中查找k个近邻，并标记k个近邻样本中所包含的所述目标领域多数类训练样本数量为m个；

S3、若m与k相等，将当前的所述源领域少数类样本设置为孤立型，对当前孤立型所述源领域少数类样本进行标记，返回S2；

S4、若m不小于k/2且不大于k时，将当前的所述源领域少数类样本设置为危险型，并通过计算人工合成出k个第一目标领域少数类训练样本，返回S2；

S5、若m不小于0且不大于k/2时，将当前的所述源领域少数类样本设置为安全型，并通过计算人工合成出k个第二目标领域少数类训练样本，返回S2；

S6、过滤掉所有标记的孤立型所述源领域少数类样本，将原始的所述目标领域训练样本和第一目标领域少数类训练样本、第二目标领域少数类训练样本混合构建为新的训练样本集；判断所述新的训练样本集中不平衡率是否小于预先设置的目标值，若小于所述目标值则返回S2，若不小于所述目标值，则得到最终的训练样本集；

S7、根据所述最终的训练样本集通过机器学习算法训练图像分类器，进行物体识别。

2.根据权利要求1所述的一种基于人工合成数据过采样技术的不平衡物体识别方法，其特征在于，所述源领域少数类样本由式(1)表示：所述目标领域训练样本由式(2)表示：

式中，i表示训练样本序号，src和tgt分别表示源领域和目标领域，s表示源领域少数类训练样本个数，p表示目标领域少数类训练样本个数，n表示目标领域多数类训练样本个数，上标+和‑表示的是类标号，+表示少数类，‑表示多数类。

3.根据权利要求2所述的一种基于人工合成数据过采样技术的不平衡物体识别方法，其特征在于，所述若m与k相等，将当前的所述源领域少数类样本设置为孤立型，对当前孤立型所述源领域少数类样本进行标记，包括：寻找所述源领域少数类样本中的每个样本 在Dtgt中的k个近邻样本，若 在所述目标领域训练样本的k近邻样本中所述目标领域多数类训练样本的个数为k，则将样本标记为孤立型。

4.根据权利要求2所述的一种基于人工合成数据过采样技术的不平衡物体识别方法，其特征在于，所述若m不小于k/2且不大于k，将当前的所述源领域少数类样本设置为危险型，并通过计算人工合成出k个第一目标领域少数类训练样本，包括：寻找危险型源领域少数类样本 在 中的k个近邻样本，构造样本对集合

对于V中每个样本对 通过式(3)合成为k个新的源领域

少数类样本qi；

式中， 和 表示集合V中第i个样本对中源领域样本和目标领域样本，假设均为d维特征向量，rand(1,d)表示生成一个1×d的随机向量，该向量的每一个元素是(0,1)区间上服从标准均匀分布的一个随机数。

5.根据权利要求2所述的一种基于人工合成数据过采样技术的不平衡物体识别方法，其特征在于，所述若m不小于0且不大于k/2，将当前的所述源领域少数类样本设置为安全型，并通过计算人工合成出k个第二目标领域少数类训练样本，包括：寻找安全型源领域少数类样本 在 中的k个近邻样本，构造样本对集合

对于U中每个样本对 通过式(4)人工合成为k个新的目

标领域少数类训练样本pi；

式中， 和 表示集合U中第i个样本对中源领域样本和目标领域样本，假设均为d维特征向量，rand(1,d)表示生成一个1×d的随机向量，该向量的每一个元素是(0,1)区间上服从标准均匀分布的一个随机数。