1.一种人物情绪分析方法，应用于电子装置，其特征在于，所述方法包括：获取摄像装置拍摄到的一张实时图像，利用人脸识别算法从该实时图像中提取一张实时脸部图像；

将所述实时脸部图像输入预先确定的AU分类器，得到从该实时脸部图像中识别出的每个AU的概率；

将该实时脸部图像中所有AU的概率组成该实时脸部图像的特征向量；及将所述特征向量输入预先确定的情绪分类器，得到从该实时脸部图像中识别出的每种情绪的概率，取概率最大的情绪作为从该实时脸部图像中识别出的情绪。

2.根据权利要求1所述的人物情绪分析方法，其特征在于，所述预先确定的AU分类器的训练步骤包括：准备包含一定数量的人脸样本图像的第一样本集，从人脸样本图像中分别截取每个AU相匹配的图像区域作为该AU的正样本图像，并为每个AU准备负样本图像；

将每个AU的正/负样本图像分为第一比例的训练集和第二比例的验证集；

利用所述训练集训练卷积神经网络，得到所述AU分类器；及利用所述验证集验证训练的所述AU分类器的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加样本数量并重新执行训练步骤。

3.根据权利要求2所述的人物情绪分析方法，其特征在于，所述预先确定的AU分类器的训练步骤还包括：对所述第一样本集中的样本图像进行预处理操作，包括：缩放、裁剪、翻转及/或扭曲。

4.根据权利要求3所述的人物情绪分析方法，其特征在于，所述预先确定的情绪分类器的训练步骤包括：依据所述第一样本集中每张样本图像的情绪对每张样本图像分配一个情绪标签，得到包含特征向量、情绪标签的第二样本集；

将第二样本集中的样本图像分为第一比例的训练集和第二比例的验证集；

利用朴素贝叶斯算法对所述训练集进行训练，得到所述情绪分类器；及利用所述验证集验证训练的所述情绪分类器的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加样本集中的样本数量并重新执行上述训练步骤。

5.根据权利要求4所述的人物情绪分析方法，其特征在于，所述朴素贝叶斯算法为先验为高斯分布的朴素贝叶斯算法。

6.根据权利要求1所述的人物情绪分析方法，其特征在于，所述人脸识别算法为基于几何特征的方法、局部特征分析方法、特征脸方法、基于弹性模型的方法及神经网络方法中的一种。

7.一种电子装置，其特征在于，该电子装置包括：存储器、处理器及摄像装置，所述存储器中包括人物情绪分析程序，所述人物情绪分析程序被所述处理器执行时实现如下步骤：获取摄像装置拍摄到的一张实时图像，利用人脸识别算法从该实时图像中提取一张实时脸部图像；

将所述实时脸部图像输入预先确定的AU分类器，得到从该实时脸部图像中识别出的每个AU的概率；

将该实时脸部图像中所有AU的概率组成该实时脸部图像的特征向量；及将所述特征向量输入预先确定的情绪分类器，得到从该实时脸部图像中识别出的每种情绪的概率，取概率最大的情绪作为从该实时脸部图像中识别出的情绪。

8.根据权利要求7所述的电子装置，其特征在于，所述预先确定的AU分类器的训练步骤包括：准备包含一定数量的人脸样本图像的第一样本集，从人脸样本图像中分别截取每个AU相匹配的图像区域作为该AU的正样本图像，并为每个AU准备负样本图像；

将每个AU的正/负样本图像分为第一比例的训练集和第二比例的验证集；

利用所述训练集训练卷积神经网络，得到所述AU分类器；及利用所述验证集验证训练的所述AU分类器的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加样本数量并重新执行训练步骤。

9.根据权利要求8所述的电子装置，其特征在于，所述预先确定的情绪分类器的训练步骤包括：依据所述第一样本集中每张样本图像的情绪对每张样本图像分配一个情绪标签，得到包含特征向量、情绪标签的第二样本集；

将第二样本集中的样本图像分为第一比例的训练集和第二比例的验证集；

利用朴素贝叶斯算法对所述训练集进行训练，得到所述情绪分类器；及利用所述验证集验证训练的所述情绪分类器的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加样本集中的样本数量并重新执行上述训练步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括人物情绪分析程序，所述人物情绪分析程序被处理器执行时，实现如权利要求1至6中任一项所述的人物情绪分析方法的步骤。