1.一种人脸特征码的跨模型转换系统，其特征在于，包括图像训练模块、特征码训练模块、特征码提取模块、转换处理模块，所述图像训练模块用于将训练集中的人脸图像输入图像特征网络进行训练，并得到训练好的图像特征网络；所述特征码训练模块用于将训练集中的待转换特征码输入特征码转换网络进行训练，并得到训练好的特征码转换网络；

所述特征码提取模块用于将人脸图像、待转换码分别输入训练好的图像特征网络、特征码转换网络，并对应提取得到图像特征码、转换特征码；

所述转换处理模块用于将提取得到的图像特征码、转换特征码结合求平均值，然后进行正则化操作得到最终转换的特征码。

2.根据权利要求1所述的一种人脸特征码的跨模型转换系统，其特征在于，所述图像特征网络由从前至后依次设置的根部模块、若干个可重复模块以及特征提取模块构成；所述根部模块包括从前至后依次连接并封装的卷积层、批归一化层和激活层；所述可重复模块包括从前至后依次设置的卷积层、批归一化层、激活层、深度可分离卷积层、批归一化层、激活层、卷积层和批归一化层；所述特征提取模块包括从前至后依次连接并封装的全局平均池化层、全连接层、激活层和正则化层。

3.根据权利要求2所述的一种人脸特征码的跨模型转换系统，其特征在于，若可重复模块进行下采样，则可重复模块的尾端设置有空间注意力层；所述空间注意力层由从前至后依次连接并封装的第一卷积层、第二卷积层以及采用sigmoid激活函数的激活层生成。

4.根据权利要求3所述的一种人脸特征码的跨模型转换系统，其特征在于，所述空间注意力层的注意力映射函数的表达式如下：其中：

X为空间注意力层的输入的特征张量，sigmoid(·)为sigmoid激活函数，Conv1为第一卷积层的卷积操作函数；

Conv2为第二卷积层的卷积操作函数。

5.根据权利要求1所述的一种人脸特征码的跨模型转换系统，其特征在于，所述特征码转换网络由从前至后若干个顺序连接的可重复全连接单块以及正则化层构成；所述可重复全连接单块由若干个全连接基础模块顺序连接得到，所述全连接基础模块由从前至后依次连接并封装的全连接层、批归一化层、激活层构成。

6.根据权利要求5所述的一种人脸特征码的跨模型转换系统，其特征在于，所述可重复全连接单块采用残差连接的方式，将可重复全连接单块中最后一个全连接基础模块的输出与可重复全连接单块的输入按元素进行相加，以作为可重复全连接单块的输出。

7.根据权利要求5所述的一种人脸特征码的跨模型转换系统，其特征在于，所述可重复全连接单块中最后一个的全连接基础模块的输出作为可重复全连接单块的输出，以作为特征码转换网络的输出。

8.根据权利要求5所述的一种人脸特征码的跨模型转换系统，其特征在于，所述可重复全连接单块中设置有3个全连接基础模块；所述特征码转换网络中设置有6个可重复全连接单块。

9.根据权利要求1‑6任一项所述的一种人脸特征码的跨模型转换系统，其特征在于，所述转换处理模块将输出的图像特征码与转换特征码按元素进行求平均值，然后导入正则化模块进行L2正则化操作得到最终转换的特征码。

10.一种人脸特征码的跨模型转换方法，采用权利要求1‑9任一项所述的转换系统进行转换，其特征在于，包括以下步骤：步骤S1：分别获取图像特征网络、特征码转换网络的训练集；

步骤S2：利用训练集并结合损失函数分别对图像特征网络、特征码转换网络进行训练；

步骤S3：然后将人脸图像输入训练后的图像特征网络得到图像特征码；将待转换特征码输入训练后的特征码转换网络得到转换特征码；

步骤S4：将步骤S3中处理得到的图像特征码与转换特征码结合求平均值，并进行正则化操作，得到最终转换的特征码。