1.一种基于ResNeXt网络的人脸表情识别方法，其特征在于，所述人脸表情识别方法包括以下步骤：从人脸表情图像中选取训练数据集和待识别数据集；

构建基于改进ResNeXt网络的人脸表情识别模型；

所述改进ResNeXt网络包括多个ResNeXt基本模块，所述多个ResNeXt基本模块依次堆叠，每个所述ResNeXt基本模块之间，加入AvgPooling平均池化层，所述AvgPooling平均池化层用于图像特征矩阵降维采样；

每个所述ResNeXt基本模块包括：

卷积核、批规范化层、Relu激活函数层、ZeroPadding处理层和分组卷积模块；

从所述训练数据集中选取部分人脸表情图像，输入所述人脸表情识别模型，进行迭代训练，获得训练后人脸表情识别模型；从所述待识别数据集中选取部分人脸表情图像，输入到加载了所述训练后人脸表情识别模型的系统中，进行人脸表情识别，并基于softmax分类器输出人脸表情分类结果。

2.如权利要求1所述的人脸表情识别方法，其特征在于，在所述从人脸表情图像中选取训练数据集和待识别数据集的步骤之前，还包括：选用Haar特征和Adaboost级联分类器的组合，筛掉人脸以外区域，获取人脸坐标，检测人脸关键点；

根据所述人脸关键点对人脸区域进行截取，获得人脸区域图像；

对所述人脸区域图像进行亮度归一化和灰度归一化处理，获得人脸表情预处理图像。

3.如权利要求1所述的人脸表情识别方法，其特征在于，从所述训练数据集中选取部分人脸表情图像，输入所述人脸表情识别模型，进行迭代训练，获得训练后人脸表情识别模型的步骤包括：对所述训练数据集进行数据增强处理，获得增强训练数据集；

对所述人脸表情识别模型进行权值初始化，获得初始化人脸表情识别模型；

通过所述增强训练数据集中的部分人脸表情图像对所述初始化人脸表情识别模型进行迭代训练；

当完成预先调整的迭代次数时，获得训练后人脸表情识别模型。

4.如权利要求3所述的人脸表情识别方法，其特征在于，所述迭代训练具体包括：输入所述增强训练数据集中的部分人脸表情图像到所述初始化人脸表情识别模型，经过ZeroPadding处理层处理，保存边缘信息，并通过多个卷积核进行卷积处理，获得多个特征图；

所述多个特征图通过批归一化层，获得正态分布特征矩阵；

所述正态分布特征矩阵进入Relu激活函数层激活并通过最大池化层采样，获得浅层特征图；

所述浅层特征图进入所述改进ResNeXt网络，输出表情特征图；

所述表情特征图进入全局平均池化层、全连接层向前传播，输出表情分类值；

根据所述输出表情分类值与真实表情分类值之间的误差，计算得到分类交叉熵损失函数；

根据所述分类交叉熵损失函数，利用随机梯度下降法优化网络，更新所述改进ResNeXt网络的权重参数，得到并保存分类效果最佳的模型权重参数。

5.如权利要求1所述的人脸表情识别方法，其特征在于，对所述训练数据集进行数据增强处理，具体包括：随机缩放、翻转、平移、旋转。

6.一种基于ResNeXt网络的人脸表情识别装置，其特征在于，所述人脸表情识别装置包括：选取模块，用于从人脸表情图像中选取训练数据集和待识别数据集；

构建模块，用于构建基于改进ResNeXt网络的人脸表情识别模型；

所述改进ResNeXt网络包括多个ResNeXt基本模块，所述多个ResNeXt基本模块依次堆叠，每个所述ResNeXt基本模块之间，加入AvgPooling平均池化层，所述AvgPooling平均池化层用于图像特征矩阵降维采样；

每个所述ResNeXt基本模块包括：

卷积核、批规范化层、Relu激活函数层、ZeroPadding处理层和分组卷积模块；

训练模块，用于从所述训练数据集中选取部分人脸表情图像，输入所述人脸表情识别模型，进行迭代训练，获得训练后人脸表情识别模型；

识别模块，用于从所述待识别数据集中选取部分人脸表情图像，输入到加载了所述训练后人脸表情识别模型的系统中，进行人脸表情识别，并基于softmax分类器输出人脸表情分类结果。

7.一种基于ResNeXt网络的人脸表情识别设备，其特征在于，所述人脸表情识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人脸表情识别程序，所述人脸表情识别程序被所述处理器执行时实现如权利要求1至5中任一项所述的人脸表情识别方法的步骤。

8.一种存储介质，其特征在于，所述存储介质上存储有人脸表情识别程序，所述人脸表情识别程序被处理器执行时实现如权利要求1至5中任一项所述的人脸表情识别方法的步骤。