1.一种监控视频数据中使用的人脸识别分析方法，其特征是，具体包括步骤如下：步骤1、在监控区域内采集自制的人脸照片集，并获得公开的人脸数据集；对自制的人脸照片集和公开的人脸数据集进行预处理，并利用人脸检测算法和特征提取器从预处理后的人脸数据集中提取人脸的高维特征，并保存为模型的训练集；

步骤2、利用监控区域内的监控摄像设备采集含有人脸的视频数据，利用现有人脸检测算法提取视频中的人脸图片，经过简单的人工筛选过滤掉完全看不清脸的图片，最后人工标记人脸图片的标签，并保存为模型的验证集；

步骤3、选取2个不同的人脸比对模型，即第一人脸比对模型和第二人脸比对模型；

第一人脸比对模型的计算过程为：首先计算两个人的人脸的高维特征之间的乘积、和值、绝对差值以及差值的平方并拼接成一个矩阵数据；然后进行一次激活函数为修正线性单元的卷积计算和批量归一化；之后进行一次激活函数为线性回归的卷积计算和批量归一化计算；最后经过一个激活函数为S型函数的全连接层输出一个分数值；

第二人脸比对模型的计算过程为：首先计算两个人的人脸的高维特征之间的乘积、和值、绝对差值以及差值的平方并拼接成一个矩阵数据；然后进行一次激活函数为修正线性单元的卷积计算和批量归一化后得到矩阵r1；接着进行注意机制的挤压和激发模块计算，即把矩阵r1进行全局平均池化计算后，进行一次使用修正线性单元的全连接计算，接下来进行一次使用S型函数的全连接计算并将计算结果转换成矩阵r2，把矩阵r1和矩阵r2相乘，得到一个矩阵数据；之后把矩阵数据进行一次激活函数为线性回归的卷积计算和批量归一化计算；最后经过一个激活函数为S型函数的全连接层输出一个分数值；

步骤4、先利用步骤1的训练集分别对步骤3的2个人脸比对模型进行训练，再利用步骤2的验证集对步骤3的2个人脸比对模型进行验证，后保存所得到的2个人脸比对模型；

步骤5、先采集每个可信身份的K张标准人脸照片，再利用特征提取器从标准人脸照片提取标准人脸的高维特征，后将标准人脸照片、标准人脸的高维特征和对应的身份标签组成人脸矩阵并保存，由此建立人脸标准库；

步骤6、利用监控区域内的监控摄像设备实时采集视频数据，并在视频流中逐帧获取每一帧的图片，且利用人脸检测算法和特征提取器提取每一帧图片中的所有待识别人脸的高维特征；

步骤7、对于步骤6所得到的每个待识别人脸的高维特征，分别执行如下操作：步骤7.1、将待识别人脸的高维特征与步骤5所得到的人脸矩阵共同输入到步骤4所保存的2个人脸比对模型中，每个人脸比对模型均输出该待识别人脸的高维特征与人脸标准库的各个标准人脸的高维特征之间的匹配分数值；

步骤7.2、将步骤7.1所得到的第一人脸比对模型的匹配分数值和第二人脸比对模型的匹配分数值进行加权融合，得到该待识别人脸的高维特征与人脸标准库的各个标准人脸的高维特征之间的综合匹配分数值；

步骤7.3、选择综合匹配分数值较高的L个标准人脸的高维特征所对应的身份标签作为模型识别的初步识别身份标签；

步骤7.4、将待识别人脸的高维特征与步骤5所得到的人脸矩阵共同输入到K相邻算法中；在K相邻算法中，先计算得到该待识别人脸的高维特征与人脸标准库的各个标准人脸的高维特征之间的欧式距离E1；再选出欧式距离E1较小的K个标准人脸的高维特征所对应的身份标签；如果这K身份标签有K‑1个身份标签相同时，则K相邻算法输出这一相同的身份标签作为算法识别的初步识别身份标签，并计算这K‑1个身份标签的欧式距离平均值E；否则，该K相邻算法输出无解；

步骤7.5、当步骤7.4所得算法识别的初步识别身份标签存在于步骤7.3所得模型识别的初步识别身份标签时，则将该算法识别的初步识别身份标签所对应的欧式距离平均值E与设定的相似度阈值进行比较：

当欧式距离平均值E大于设定的相似度阈值时，则将该算法识别的初步识别身份标签作为该待识别人脸的高维特征的识别结果，并将待识别人脸的高维特征、综合匹配分数值、欧式距离平均值和身份标签形成一条记录，归入到可识别集合中；

否则，待识别人脸的高维特征无解，并将待识别人脸的高维特征形成一条记录，归入到未识别集合中；

上述K和L均为设定的大于1的正整数。

2.根据权利要求1所述的一种监控视频数据中使用的人脸识别分析方法，其特征是，K的取值为4，L的取值为3。

3.根据权利要求1所述的一种监控视频数据中使用的人脸识别分析方法，其特征是，还进一步包括判断可识别集合中的识别结果是否输出的步骤：步骤8、每间隔1秒从步骤7所得到的可识别集合中取出之前连续m秒的所有记录，并按身份标签进行分类后，保存与每个身份标签的综合匹配分数值最高的该待识别人脸的高维特征，作为每一秒的初步筛选结果；

步骤9、分别计算步骤8所得的每一秒的初步筛选结果中所有该待识别人脸的高维特征两两之间的欧式距离E2：

如果该欧式距离E2小于等于设定的相似度阈值，则表明2个待识别人脸的高维特征为同一个人，此时仅保留综合匹配分数值相对较高的身份标签，作为待识别人脸的高维特征在每秒下的有效识别结果；

如果该欧式距离E2大于设定的相似度阈值，则表明2个待识别人脸的高维特征为不同的人，此时同时保留这2个身份标签，作为待识别人脸的高维特征在每秒下的有效识别结果；

步骤10、在尝试输出每个待识别人脸的高维特征的有效识别结果时，先遍历之前n秒的所有有效识别结果，并计算当前尝试输出的待识别人脸的高维特征与所有有效识别结果所对应的待识别人脸的高维特征之间的欧式距离E3：如果所有欧式距离E3均小于等于设定的相似度阈值，则说明当前尝试输出的待识别人脸的高维特征的有效识别结果在之前已经输出，不需要再次输出；

否则，说明当前尝试输出的待识别人脸的高维特征的有效识别结果在之前未输出，则输出当前结果；

上述m和n均为设定的大于1的正整数。

4.根据权利要求3所述的一种监控视频数据中使用的人脸识别分析方法，其特征是，m的取值为3，n的取值为5。

5.根据权利要求3所述的一种监控视频数据中使用的人脸识别分析方法，其特征是，还进一步包括判断未识别集合中的识别结果是否输出的步骤：步骤11、遍历l秒内所有尝试输出的待识别人脸的高维特征，并计算未识别集合中的待识别人脸的高维特征与尝试输出的待识别人脸的高维特征之间的欧式距离E4：当未识别集合中存在欧式距离E4小于等于相似度阈值的待识别人脸的高维特征时，则说明该待识别人脸的高维特征的识别结果已经输出，将该待识别人脸的高维特征从未识别集合中删除；

否则，将该待识别人脸的高维特征继续保留在未识别集合中；

上述l为设定的大于1的正整数。

6.根据权利要求5所述的一种监控视频数据中使用的人脸识别分析方法，其特征是，l的取值为5。