1.一种目标姿态识别方法，其特征在于，包括：获取待识别目标所在的图像区域；

确定所述图像区域的图像特征、以及所述目标的形状特征和结构特征；

将所述图像特征以及所述目标的形状特征和结构特征输入预先训练得到的第一神经网络模型，得到所述目标的姿态；其中，所述第一神经网络模型为：根据预设特征样本对应的姿态信息，对预设结构的第一神经网络的网络参数进行训练得到的，所述特征样本中包含图像特征、以及目标的形状特征和结构特征。

2.根据权利要求1所述的方法，其特征在于，所述获取待识别目标所在的图像区域的步骤，包括：

获取标准图像，将所述标准图像的全部区域作为待识别目标所在的图像区域；

或者，获取非标准图像，在所述非标准图像中，确定待识别目标所在的图像区域。

3.根据权利要求1所述的方法，其特征在于，确定所述目标的形状特征和结构特征的步骤，包括：

将所述图像区域输入预先训练得到的第二神经网络模型，得到所述目标的形状特征和结构特征；其中，所述第二神经网络模型为：根据所述预设特征样本对应的姿态信息，对预设结构的第二神经网络的网络参数进行训练得到的，所述特征样本中包含目标的形状特征和结构特征。

4.根据权利要求1所述的方法，其特征在于，所述确定所述图像区域的图像特征的步骤，包括：

将所述图像区域输入预先训练得到的第三神经网络模型，得到所述图像区域的图像特征；其中，所述第三神经网络模型为：根据所述预设特征样本对应的姿态信息，对预设结构的第三神经网络的网络参数进行训练得到的；

或者，对所述图像区域进行特征值提取，得到所述图像区域的图像特征。

5.根据权利要求1所述的方法，其特征在于，所述目标为人脸，所述形状特征包括人脸形状特征，所述结构特征包括人脸关键点特征；

或者，所述目标为人体，所述形状特征包括人体形状特征，所述结构特征包括人体结构特征；

或者，所述目标为物体，所述形状特征包括预设物体形状特征，所述结构特征包括预设物体关键点特征；

或者，所述目标为动物，所述形状特征包括预设动物形状特征，所述结构特征包括预设动物结构特征。

6.根据权利要求1所述的方法，其特征在于，在所述确定所述图像区域的图像特征、以及所述目标的形状特征和结构特征的步骤之后，还包括：将所述图像特征以及所述目标的形状特征和结构特征输入预先训练得到的环境神经网络模型，得到所述目标所在环境的环境因素；其中，所述环境神经网络模型为：根据预设特征样本对应的环境因素，对预设结构的环境神经网络的网络参数进行训练得到的，所述特征样本中包含图像特征以及目标的形状特征和结构特征。

7.根据权利要求1所述的方法，其特征在于，在所述确定所述图像区域的图像特征、以及所述目标的形状特征和结构特征的步骤之后，还包括：将所述目标的形状特征和结构特征与所述图像特征进行融合，得到融合后的特征；

所述将所述图像特征以及所述目标的形状特征和结构特征输入预先训练得到的第一神经网络，得到所述目标的姿态的步骤，包括：将所述融合后的特征输入预先训练得到的第一神经网络，得到所述目标的姿态。

8.根据权利要求1所述的方法，其特征在于，所述图像特征包含所述图像区域的色彩特征。

9.根据权利要求1所述的方法，其特征在于，训练得到所述第一神经网络模型的过程包括：

获取预设特征样本，所述特征样本中包含图像特征以及目标的形状特征和结构特征；

将所述特征样本输入至预设结构的第一神经网络，采用所述第一神经网络的当前网络参数，对所述特征样本进行处理，输出姿态信息；

当基于所输出的姿态信息与预设特征样本对应的姿态信息之间的相似度，确定网络收敛时，得到训练完成的第一神经网络模型；

当基于所输出的姿态信息与预设特征样本对应的姿态信息之间的相似度，确定网络未收敛时，调整所述当前网络参数，并采用调整后的网络参数，继续对所述特征样本进行处理。

10.一种目标姿态识别装置，其特征在于，包括：获取模块，用于获取待识别目标所在的图像区域；

第一确定模块，用于确定所述图像区域的图像特征；

第二确定模块，用于确定所述目标的形状特征和结构特征；

第一输入模块，用于将所述图像特征以及所述目标的形状特征和结构特征输入预先训练得到的第一神经网络模型，得到所述目标的姿态；其中，所述第一神经网络模型为：根据预设特征样本对应的姿态信息，对预设结构的第一神经网络的网络参数进行训练得到的，所述特征样本中包含图像特征以及目标的形状特征和结构特征。

11.根据权利要求10所述的装置，其特征在于，所述获取模块，具体用于：获取标准图像，将所述标准图像的全部区域作为待识别目标所在的图像区域；

或者，获取非标准图像，在所述非标准图像中，确定待识别目标所在的图像区域。

12.根据权利要求10所述的装置，其特征在于，所述第二确定模块，具体用于：将所述图像区域输入预先训练得到的第二神经网络模型，得到所述目标的形状特征和结构特征；其中，所述第二神经网络模型为：根据所述预设特征样本对应的姿态信息，对预设结构的第二神经网络的网络参数进行训练得到的，所述特征样本中包含目标的形状特征和结构特征。

13.根据权利要求10所述的装置，其特征在于，所述第一确定模块，具体用于：将所述图像区域输入预先训练得到的第三神经网络模型，得到所述图像区域的图像特征；其中，所述第三神经网络模型为：根据所述预设特征样本对应的姿态信息，对预设结构的第三神经网络的网络参数进行训练得到的；

或者，对所述图像区域进行特征值提取，得到所述图像区域的图像特征。

14.根据权利要求10所述的装置，其特征在于，所述目标为人脸，所述形状特征包括人脸形状特征，所述结构特征包括人脸关键点特征；

或者，所述目标为人体，所述形状特征包括人体形状特征，所述结构特征包括人体结构特征；

或者，所述目标为物体，所述形状特征包括预设物体形状特征，所述结构特征包括预设物体关键点特征；

或者，所述目标为动物，所述形状特征包括预设动物形状特征，所述结构特征包括预设动物结构特征。

15.根据权利要求10所述的装置，其特征在于，所述装置还包括：第二输入模块，用于将所述图像特征以及所述目标的形状特征和结构特征输入预先训练得到的环境神经网络模型，得到所述目标所在环境的环境因素；其中，所述环境神经网络模型为：根据预设特征样本对应的环境因素，对预设结构的环境神经网络的网络参数进行训练得到的，所述特征样本中包含图像特征以及目标的形状特征和结构特征。

16.根据权利要求10所述的装置，其特征在于，所述装置还包括：融合模块，用于将所述目标的形状特征和结构特征与所述图像特征进行融合，得到融合后的特征；

所述第一输入模块，具体用于：

将所述融合后的特征输入预先训练得到的第一神经网络，得到所述目标的姿态。

17.根据权利要求10所述的装置，其特征在于，所述图像特征包含所述图像区域的色彩特征。

18.根据权利要求10所述的装置，其特征在于，所述装置还包括：训练模块，所述训练模块，用于训练得到所述第一神经网络模型；

所述训练模块，具体用于：

获取预设特征样本，所述特征样本中包含图像特征以及目标的形状特征和结构特征；

将所述特征样本输入至预设结构的第一神经网络，采用所述第一神经网络的当前网络参数，对所述特征样本进行处理，输出姿态信息；

当基于所输出的姿态信息与预设特征样本对应的姿态信息之间的相似度，确定网络收敛时，得到训练完成的第一神经网络模型；

当基于所输出的姿态信息与预设特征样本对应的姿态信息之间的相似度，确定网络未收敛时，调整所述当前网络参数，并采用调整后的网络参数，继续对所述特征样本进行处理。

19.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1‑9任一所述的方法步骤。