1.一种基于分解径向对称卷积核的卷积优化方法，适于在计算设备中执行，其特征在于，包括如下步骤：输入待识别图像，并对所述待识别图像进行预处理；

分别利用预先分解m*m径向对称卷积核得到的1个1*1的卷积核和(m-1)/2个1*m(m＝2k+3,k∈N)的卷积核，对经过预处理的待识别图像进行卷积，得到1个1*1的第一特征图和(m-

1)/2个1*m(m＝2k+3,k∈N)的第二特征图；再利用预先分解m*m径向对称卷积核得到的与(m-1)/2个1*m(m＝2k+3,k∈N)的卷积核一一对应的(m-1)/2个m*1(m＝2k+3,k∈N)的卷积核，对(m-1)/2个1*m(m＝2k+3,k∈N)的第二特征图进行卷积，得到(m-1)/2个m*1(m＝2k+3,k∈N)的第三特征图；

对1个1*1的第一特征图和(m-1)/2个m*1(m＝2k+3,k∈N)的第三特征图进行求和，得到目标特征图，并输出所述目标特征图。

2.根据权利要求1所述的基于分解径向对称卷积核的卷积优化方法，其特征在于，所述对所述待识别图像进行预处理，具体为：根据预设参数，对所述待识图像进行随机拉伸和明暗调整，并加入特定的高斯噪声；

进一步地，根据卷积处理的要求，对所述待识图像进行0～π/2角度的旋转和切割。

3.根据权利要求1所述的基于分解径向对称卷积核的卷积优化方法，其特征在于，每一个卷积核的卷积核矩阵A满足如下公式：其中，

4.根据权利要求1所述的基于分解径向对称卷积核的卷积优化方法，其特征在于，每一个m*1(m＝2k+3,k∈N)的卷积核与对应的一个m*1(m＝2k+3,k∈N)的卷积核组成一个等比对称向量组，即ISV，具体的：设an为参数值，a1恒等于1，ISV的长度为m(m＝2k+3,k∈N)，ISV＝(ISV_1,ISV_2)；

其中，ISV_1为一个1*m向量，ISV_2为一个m*1向量；

5.根据权利要求1所述的基于分解径向对称卷积核的卷积优化方法，其特征在于，在所述对1个1*1的第一特征图和(m-1)/2个m*1(m＝2k+3,k∈N)的第三特征图进行求和，得到目标特征图，并输出所述目标特征图之后，还包括：判断所述图像的方向对识别结果是否有影响；

若是，则将1个1*1的第一特征图和(m-1)/2个m*1(m＝2k+3,k∈N)的第三特征图进行全局平均池化，并将输出的1+(m-1)/2个值进行softmax处理，得到目标特征图的概率。

6.根据权利要求5所述的基于分解径向对称卷积核的卷积优化方法，其特征在于，还包括：若否，则将1个1*1的第一特征图和(m-1)/2个m*1(m＝2k+3,k∈N)的第三特征图进行空间金字塔池化和全连接层处理，并将输出的1+(m-1)/2个值进行softmax处理，得到目标特征图的判断结果。

7.一种基于分解径向对称卷积核的卷积优化装置，其特征在于，包括：输入模块，用于输入待识别图像，并对所述待识别图像进行预处理；

卷积优化模块，用于分别利用预先分解m*m径向对称卷积核得到的1个1*1的卷积核和(m-1)/2个1*m(m＝2k+3,k∈N)的卷积核，对经过预处理的待识别图像进行卷积，得到1个1*

1的第一特征图和(m-1)/2个1*m(m＝2k+3,k∈N)的第二特征图；再利用预先分解m*m径向对称卷积核得到的与(m-1)/2个1*m(m＝2k+3,k∈N)的卷积核一一对应的(m-1)/2个m*1(m＝

2k+3,k∈N)的卷积核，对(m-1)/2个1*m(m＝2k+3,k∈N)的第二特征图进行卷积，得到(m-

1)/2个m*1(m＝2k+3,k∈N)的第三特征图；

输出模块，用于对1个1*1的第一特征图和(m-1)/2个m*1(m＝2k+3,k∈N)的第三特征图进行求和，得到目标特征图，并输出所述目标特征图。

8.根据权利要求7所述的基于分解径向对称卷积核的卷积优化装置，其特征在于，每一个m*1(m＝2k+3,k∈N)的卷积核与对应的一个m*1(m＝2k+3,k∈N)的卷积核组成一个等比对称向量组，即ISV，具体的：设an为参数值，a1恒等于1，ISV的长度为m(m＝2k+3,k∈N)，ISV＝(ISV_1,ISV_2)；

其中，ISV_1为一个1*m向量，ISV_2为一个m*1向量；

9.一种基于分解径向对称卷积核的卷积优化终端设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于分解径向对称卷积核的卷积优化方法。

10.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任一项所述的基于分解径向对称卷积核的卷积优化方法。