1.一种目标分类方法，其特征在于，包括：
对包含目标的目标图像进行特征提取，以获得所述目标图像的特征图；
确定所述特征图上的特征描述符的类型，所述特征描述符的类型包括前景和背景；
确定所述特征描述符中类型为前景的目标特征描述符，对所述目标特征描述符进行分类，确定所述目标特征描述符对应的局部分类结果；
根据各所述目标特征描述符对应的局部分类结果，确定所述目标图像中的所述目标的分类结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
对所述特征图进行处理，以获得池化特征图；
对所述池化特征图进行分类，以获得所述池化特征图对应的全局分类结果；
所述根据各目标特征描述符对应的局部分类结果，确定所述目标图像中的所述目标的分类结果，包括：
根据各所述目标特征描述符对应的局部分类结果、以及所述全局分类结果，确定所述目标的分类结果。
3.根据权利要求2所述的方法，其特征在于，所述局部分类结果包括所述目标属于类别集中各个类别的第一概率分布，所述全局分类结果包括所述目标属于所述类别集中各个类别的第二概率分布。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述目标特征描述符对应的局部分类结果、以及所述全局分类结果，确定所述目标的分类结果，包括：
根据所述第一概率分布、所述第一概率分布对应的第一权重值、所述第二概率分布、以及所述第二概率分布对应的第二权重值，确定加权概率分布；
根据所述加权概率分布，确定所述目标的分类结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述加权概率分布，确定所述目标的分类结果，包括：
将所述加权概率分布中的最大概率值对应的类别，确定为所述目标的分类结果。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述确定所述特征图上的特征描述符的类型，包括：
确定每个所述特征描述符对应的局部图像区域中前景像素点的个数和所有像素点的个数，其中，所述特征描述符对应的局部图像区域为根据所述特征描述符映射到所述目标图像上的中心点坐标、以及所述局部图像区域的尺寸确定的；
根据所述前景像素点的个数和所述所有像素点的个数的比值，以及预设阈值，确定所述特征图上的特征描述符的类型。
7.根据权利要求6所述的方法，其特征在于，所述确定每个所述特征描述符对应的局部图像区域中前景像素点的个数，包括：
根据语义分割图和每个所述特征描述符对应的局部图像区域，确定每个所述特征描述符对应的局部图像区域中前景像素点的个数。
8.根据权利要求1所述的方法，其特征在于，通过预设分类模型确定所述目标图像中的所述目标的分类结果，其中，对神经网络进行训练，得到所述预设分类模型，包括：
将包含样本目标的样本目标图像输入所述神经网络，以获得所述目标样本图像的样本特征图；
通过所述神经网络获得确定所述样本特征图上的每个样本特征描述符的预测类型，所述样本特征描述符的类型包括前景和背景；
根据所述预测类型和标注类型，计算第一损失；
通过所述神经网络，确定所述样本特征描述符中类型为前景的样本目标特征描述符，对所述样本目标特征描述符进行分类，确定所述目标特征描述符对应的预测局部分类结果；
根据所述预测局部分类结果和标注局部分类结果，计算第二损失；
根据所述第一损失和所述第二损失，更新所述神经网络中的参数，得到所述预设分类模型。
9.根据权利要求8所述的方法，其特征在于，还包括：
通过所述神经网络对所述样本特征图进行处理，以获得样本池化特征图；
通过所述神经网络对所述样本池化特征图进行分类，以获得所述样本池化特征图对应的预测全局分类结果；
根据所述预测全局分类结果和标注全局分类结果，计算第三损失；所述根据所述第一损失和所述第二损失，更新所述神经网络中的参数，得到所述预设分类模型，包括：
根据所述第一损失、所述第二损失和所述第三损失，更新所述神经网络中的参数，得到所述预设分类模型。
10.一种目标分类装置，其特征在于，包括：
特征提取模块，用于对包含目标的目标图像进行特征提取，以获得所述目标图像的特征图；
类型确定模块，用于确定所述特征图上的特征描述符的类型，所述特征描述符的类型包括前景和背景；
第一分类模块，用于确定所述特征描述符中类型为前景的目标特征描述符，对所述目标特征描述符进行分类，确定所述目标特征描述符对应的局部分类结果；
确定模块，用于根据各所述目标特征描述符对应的局部分类结果，确定所述目标图像中的所述目标的分类结果。
11.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的目标分类方法。
12.一种目标分类装置，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的目标分类方法。