1.一种人脸皮肤属性识别方法，其特征在于，包括：利用人脸检测网络从待识别图像中获得至少一个人脸位置特征；其中，所述人脸位置特征包括人脸角度，所述人脸角度指针对图像的水平角度人脸位置矩形框的倾斜角度；

基于所述人脸角度对人脸位置矩形框进行调整，得到正向放置的人脸位置矩形框；并将人脸关键点叠加到所述人脸位置矩形框中，得到人脸图像；

通过神经网络中的各卷积层对所述待识别图像中的人脸图像进行特征提取；

对所述神经网络中至少一个较浅卷积层提取的特征与最后一个卷积层提取的特征进行融合，获得融合特征；所述较浅卷积层为所述神经网络中除所述最后一个卷积层之外的其他卷积层；

基于所述融合特征对所述人脸图像进行皮肤属性的预测，获得皮肤属性的预测标签；

还包括：基于所述神经网络对样本图像进行处理获得的预测标签和所述样本图像对应的已知标注标签通过损失函数计算得到误差值；

将所述误差值直接反向传播到所述神经网络中获得融合特征的至少一个较浅卷积层和最后一个卷积层中，将误差值通过反向梯度算法反向传播到所述神经网络的各卷积层；

基于传播到所述各卷积层中的误差值对所述各卷积层中的参数进行更新。

2.根据权利要求1所述的方法，其特征在于，对所述神经网络中至少一个较浅卷积层提取的特征与最后一个卷积层提取特征进行融合，获得融合特征，包括：基于所述神经网络各较浅卷积层输出至少一个特征，将基于所述较浅卷积层输出的所述至少一个特征进行尺度变换，得到与最后一个卷积层输出的特征尺度大小相同的特征；

将尺度大小相同的各特征堆叠获得融合特征。

3.根据权利要求2所述的方法，其特征在于，所述将基于所述较浅卷积层输出的所述至少一个特征进行尺度变换，得到与最后一个卷积层输出的特征尺度大小相同的特征，包括：将基于所述较浅卷积层输出的所述至少一个特征进行池化操作，得到与最后一个卷积层输出的特征尺度大小相同的特征。

4.根据权利要求3所述的方法，其特征在于，所述将基于所述较浅卷积层输出的所述至少一个特征进行池化操作，包括：按照平均池化和最大池化交替的池化策略，对所述各较浅卷积层提取的特征依次进行池化操作。

5.根据权利要求2所述的方法，其特征在于，所述将尺度大小相同的各特征堆叠获得融合特征，包括：

将所述尺度大小相同的各特征以通道为轴依次堆叠在一起，获得融合特征，所述融合特征的维度对应各所述卷积层输出通道之和。

6.根据权利要求1‑5任一所述的方法，其特征在于，所述基于所述融合特征对所述人脸图像进行皮肤属性的预测，包括：通过神经网络中的全连接层，基于所述融合特征对所述人脸图像进行皮肤属性的预测；

所述基于所述融合特征对所述人脸图像进行皮肤属性的预测之前，还包括：通过一个降维卷积层对所述融合特征进行降维。

7.根据权利要求6所述的方法，其特征在于，所述降维卷积层中的卷积核数目小于预设值，所述卷积核的大小为1；

通过降维卷积层对所述融合特征进行降维，包括：基于卷积核数目小于预设值的降维卷积层对所述融合特征执行卷积操作，获得维度为所述卷积核数目的融合特征图。

8.根据权利要求1‑5任一项所述的方法，其特征在于，所述通过神经网络中的各卷积层对待识别图像中的人脸图像进行特征提取之前，还包括：对所述待识别图像进行人脸检测，获得所述人脸图像，并从所述待识别图像中提取所述人脸图像；

所述对所述待识别图像进行人脸检测，包括：利用人脸检测网络从所述待识别图像中获得至少一个人脸位置特征和对应所述待识别图像的人脸置信度阈值，所述人脸位置特征包括人脸位置矩形框和人脸置信度；

基于所述获得的人脸位置特征获得人脸置信度大于所述人脸置信度阈值的人脸位置矩形框；

基于人脸关键点网络对所述人脸位置矩形框执行人脸关键点检测，获得人脸关键点，基于所述人脸关键点从所述人脸位置矩形框中获得人脸图像。

9.根据权利要求1‑5任一所述的方法，其特征在于，所述皮肤属性的预测标签包括以下任意一项或多项：

皮肤质量，皮肤颜色，皮肤亮度。

10.根据权利要求1‑5任一所述的方法，其特征在于，还包括：基于所述皮肤属性的预测标签，对所述人脸图像进行美化处理操作。

11.根据权利要求1‑5任一所述的方法，其特征在于，还包括：将待识别图像置为样本图像，对所述神经网络进行训练：通过神经网络中的各卷积层对样本图像中的人脸图像进行特征提取；所述样本图像标注有至少一个已知标注标签；

对所述神经网络中至少一个较浅卷积层提取的特征与最后一个卷积层提取特征进行融合，获得融合特征；所述较浅卷积层为所述神经网络中除所述最后一个卷积层之外的其他卷积层；

基于所述融合特征对所述人脸图像进行皮肤属性的预测，获得皮肤属性的预测标签；

基于所述获得的预测标签和已知标注标签训练所述神经网络。

12.根据权利要求1所述的方法，其特征在于，还包括：将更新参数后的神经网络作为所述神经网络，迭代通过神经网络中的各卷积层对样本图像中的人脸图像进行特征提取；所述样本图像标注有至少一个已知标注标签；对所述神经网络中至少一个较浅卷积层提取的特征与最后一个卷积层提取特征进行融合，获得融合特征；基于所述融合特征对所述人脸图像进行皮肤属性的预测，获得皮肤属性的预测标签；

基于所述获得的预测标签和已知标注标签通过损失函数计算得到误差值；将所述误差值直接反向传播到所述神经网络中获得融合特征的至少一个较浅卷积层和最后一个卷积层中，将误差值通过反向梯度算法反向传播到所述神经网络的各卷积层；基于传播到所述各卷积层中的误差值对所述各卷积层中的参数进行更新；直到所述神经网络满足预设条件。

13.根据权利要求12所述的方法，其特征在于，所述预设条件包括以下任意一项：所述损失函数收敛、迭代次数达到预设次数和所述误差值小于预设值。

14.一种人脸皮肤属性识别装置，其特征在于，包括：人脸识别单元，用于利用人脸检测网络从待识别图像中获得至少一个人脸位置特征；

其中，所述人脸位置特征包括人脸角度，所述人脸角度指针对图像的水平角度人脸位置矩形框的倾斜角度；

角度调整单元，用于基于所述人脸角度对人脸位置矩形框进行调整，得到正向放置的人脸位置矩形框；并将人脸关键点叠加到所述人脸位置矩形框中，得到人脸图像；

特征提取单元，用于通过神经网络中的各卷积层对所述待识别图像中的人脸图像进行特征提取；

特征融合单元，用于对所述神经网络中至少一个较浅卷积层提取的特征与最后一个卷积层提取的特征进行融合，获得融合特征；所述较浅卷积层为所述神经网络中除所述最后一个卷积层之外的其他卷积层；所述特征融合单元，具体用于将基于所述神经网络中至少一个较浅卷积层提取的特征与最后一个卷积层提取的特征得到的多个尺度大小相同的特征按照通道进行堆叠，获得所述融合特征；

属性预测单元，用于基于所述融合特征对所述人脸图像进行皮肤属性的预测，获得皮肤属性的预测标签；

还包括：网络训练单元，所述网络训练单元包括：误差计算模块，用于基于所述神经网络对样本图像进行处理获得的预测标签和所述样本图像对应的已知标注标签通过损失函数计算得到误差值；

误差传播模块，用于将所述误差值直接反向传播到所述神经网络中获得融合特征的至少一个较浅卷积层和最后一个卷积层中，将误差值通过反向梯度算法反向传播到所述神经网络的各卷积层；

参数更新模块，用于基于传播到所述各卷积层中的误差值对所述各卷积层中的参数进行更新。

15.根据权利要求14所述的装置，其特征在于，所述特征融合单元，包括：尺度变换模块，用于基于所述神经网络各较浅卷积层输出至少一个特征，将基于所述较浅卷积层输出的所述至少一个特征进行尺度变换，得到与最后一个卷积层输出的特征尺度大小相同的特征；

特征堆叠模块，用于将尺度大小相同的各特征堆叠获得融合特征。

16.根据权利要求15所述的装置，其特征在于，所述尺度变换模块，具体用于将基于所述较浅卷积层输出的所述至少一个特征进行池化操作，得到与最后一个卷积层输出的特征尺度大小相同的特征。

17.根据权利要求16所述的装置，其特征在于，所述尺度变换模块进行的池化操作包括：

按照平均池化和最大池化交替的池化策略，对所述各较浅卷积层提取的特征依次进行池化操作。

18.根据权利要求15所述的装置，其特征在于，所述特征堆叠模块，具体用于将所述尺度大小相同的各特征以通道为轴依次堆叠在一起，获得融合特征，所述融合特征的维度对应各所述卷积层输出通道之和。

19.根据权利要求14‑18任一所述的装置，其特征在于，所述属性预测单元，具体用于通过神经网络中的全连接层，基于所述融合特征对所述人脸图像进行皮肤属性的预测；

所述人脸皮肤属性识别装置，还包括：降维单元，用于通过一个降维卷积层对所述融合特征进行降维。

20.根据权利要求19所述的装置，其特征在于，所述降维卷积层中的卷积核数目小于预设值，所述卷积核的大小为1；

所述降维单元，具体用于基于卷积核数目小于预设值的降维卷积层对所述融合特征执行卷积操作，获得维度为所述卷积核数目的融合特征图。

21.根据权利要求14‑18任一项所述的装置，其特征在于，所述人脸识别单元，用于对所述待识别图像进行人脸检测，获得所述人脸图像，并从所述待识别图像中提取所述人脸图像；

所述人脸识别单元，包括：

位置获取模块，用于利用人脸检测网络从所述待识别图像中获得至少一个人脸位置特征和对应所述待识别图像的人脸置信度阈值，所述人脸位置特征包括人脸位置矩形框和人脸置信度；

位置确定模块，用于基于所述获得的人脸位置特征获得人脸置信度大于所述人脸置信度阈值的人脸位置矩形框；

人脸获取模块，用于基于人脸关键点网络对所述人脸位置矩形框执行人脸关键点检测，获得人脸关键点，基于所述人脸关键点从所述人脸位置矩形框中获得人脸图像。

22.根据权利要求14‑18任一所述的装置，其特征在于，所述皮肤属性的预测标签包括以下任意一项或多项：

皮肤质量，皮肤颜色，皮肤亮度。

23.根据权利要求14‑18任一所述的装置，其特征在于，还包括：美化单元，用于基于所述皮肤属性的预测标签，对所述人脸图像进行美化处理操作。

24.根据权利要求14‑18任一所述的装置，其特征在于，还包括：样本预测单元，用于将待识别图像置为样本图像，基于特征提取单元、特征融合单元和属性预测单元获得对应所述样本图像的皮肤属性的预测标签；所述样本图像标注有至少一个已知标注标签；

网络训练单元，用于基于所述获得的预测标签和已知标注标签训练所述神经网络。

25.根据权利要求14所述的装置，其特征在于，所述网络训练单元，还包括：迭代更新模块，将更新参数后的神经网络作为所述神经网络，迭代基于特征提取单元、特征融合单元和属性预测单元获得对应所述样本图像的皮肤属性的预测标签；基于误差计算模块、误差传播模块和参数更新模块对各卷积层中的参数进行更新；直到所述神经网络满足预设条件。

26.根据权利要求25所述的装置，其特征在于，所述预设条件包括以下任意一项：所述损失函数收敛、迭代次数达到预设次数和所述误差值小于预设值。

27.一种电子设备，其特征在于，包括处理器，所述处理器包括权利要求14至26任意一项所述的人脸皮肤属性识别装置。

28.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；

以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成权利要求1至13任意一项所述人脸皮肤属性识别方法的操作。

29.一种计算机存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1至13任意一项所述人脸皮肤属性识别方法的操作。