1.一种用于训练过程的人脸特征点的相对坐标约束的方法，其特征在于，在人脸特征点定位的模型训练过程中，计算任意两个人脸特征点i和j的相对位置，使得任意两个预测人脸特征点i和j的相对位置尽可能接近于其对应的两个真实的人脸特征点之间的相对位置；

所述相对坐标约束的方法具体包括：

假设现有训练数据集记为 包含N张用于训练的人脸图像，其中In表示第n个图像，Pn表示第n个图像的人脸特征点，且每张图像标注了M个人脸特征点，即Pn＝[Pnx1,Pnx2,…PnxM,Pny1,Pny2,…PnyM]∈R2M，这里Pnx*,Pny*分别表示图像In的第*个特征点的横坐标与纵坐标，*∈(0，M]；首先定义两个符号，即Δnijx和Δnijy用来衡量图像In的两个特征点i和j之间的相对位置关系，计算方法如公式(2)和公式(3)所示：其中，Pnxi和Pnxj分别表示图像In的第i个和第j个特征点的真实的横坐标，Pnyi和Pnyj分别表示图像In的第i个和第j个特征点的真实的纵坐标， 和 分别表示算法预测的图像In的第i个和第j个特征点的横坐标， 和 分别表示算法预测的图像In的第i个和第j个特征点的纵坐标；

因此，获得相对坐标约束误差函数LR的计算公式如下：

2.一种采用权利要求1所述的人脸特征点的相对坐标约束的方法的人脸特征点定位方法，分为模型训练和定位计算两大阶段：模型训练流程如下：

1)收集一批训练用的人脸图像数据；

2)人工标记每个人脸训练图像上各特征点位置；

3)在坐标约束方法的监督下学习深度映射函数模型，用于定位识别阶段计算；

定位识别流程如下：

a)输入一张人脸图像；

b)检测人脸区域方框；

c)把上步人脸区域方框内的图像输入模型训练阶段所学习的模型中计算对应的人脸特征点坐标；

其特征在于，所述模型训练流程中的步骤3)中，采用了相对坐标约束的方法进行训练，并公开了一种轻量级高表示力的用于人脸特征点定位的深层卷积神经网络设计方法；

所述相对坐标约束的方法具体包括：

假设现有训练数据集记为 包含N张用于训练的人脸图像，其中In表示第n个图像，Pn表示第n个图像的人脸特征点，且每张图像标注了M个人脸特征点，即Pn＝[Pnx1,Pnx2,…PnxM,Pny1,Pny2,…PnyM]∈R2M，这里Pnx*,Pny*分别表示图像In的第*个特征点的横坐标与纵坐标，*∈(0，M]；

首先定义两个符号，即Δnijx和Δnijy用来衡量图像In的两个特征点i和j之间的相对位置关系，计算方法如公式(2)和公式(3)所示：其中，Pnxi和Pnxj分别表示图像In的第i个和第j个特征点的真实的横坐标，Pnyi和Pnyj分别表示图像In的第i个和第j个特征点的真实的纵坐标， 和 分别表示算法预测的图像In的第i个和第j个特征点的横坐标， 和 分别表示算法预测的图像In的第i个和第j个特征点的纵坐标；

因此，获得相对坐标约束误差函数LR的计算公式如下：

3.根据权利要求2所述的人脸特征点定位方法，其特征在于，所述模型训练流程中的步骤3)中，综合利用了现有的绝对坐标约束LE和本发明提出的相对坐标约束LR，最终的总约束函数形式如下：L＝LE+λLR       (5)

其中，

公式(1)中的 是算法预测的人脸特征

点，Pn是真实的人脸特征点，公式(5)中的λ是超参数，用以平衡绝对损失和相对损失对总效果的影响，对于超参数λ，通过遍历的方法得到其最优值。

4.根据权利要求3所述的人脸特征点定位方法，其特征在于，对于5个特征点，λ的最优值是0.006。

5.根据权利要求3所述的人脸特征点定位方法，其特征在于，对于68个特征点，λ的最优值是0.0006。

6.根据权利要求2至5任一项所述的人脸特征点定位方法，基于一种轻量级高表示力的用于人脸特征点定位的深层卷积神经网络设计方法，其特征在于，所述步骤3)中，构建用于人脸特征点定位的深层神经网络的结构共7个卷积层，3个最大值池化层和3个全连接层。

7.根据权利要求6所述的人脸特征点定位方法，其特征在于，所述深层神经网络的结构具体为：卷积层、池化层、卷积层、卷积层、池化层、卷积层、卷积层、池化层、卷积层、卷积层、全连接层、全连接层、全连接层。

8.根据权利要求7所述的人脸特征点定位方法，其特征在于，每个池化层之后有两个相同配置的卷积层，每个卷积层的卷积核大小为2-4，每个池化层的池化核大小为1-3。