1.一种活体的面部动态识别方法，用于视频流中面部对象的识别，其特征在于，包括以下步骤：步骤S101，从所采集的图像中提取面部所在区域，生成面部图像：

步骤S1011，基于面部区域识别模型，采用变长滑动窗口的方法从所采集的图像中提取面部所在区域；

步骤S1012，通过预设的分类器筛选所提取的面部所在区域，获得面部图像；

所述面部区域识别模型基于多层前馈的卷积神经网络构建，所述多层前馈的卷积神经网络的每一层都被参数化为向量或者矩阵，每一层之后会使用一个非线性的激活函数，从而对每一层的输出进行非线性化；所述分类器基于深度神经网络构建，包括依次连接的输入层、卷积层、最大池化层、全连接层、输出层；所述输入层由一个3通道的12x12的图片构成；卷积层包含16个3x3卷积核，用于对输入图片进行特征抽取，卷积核的步长为1；最大池化层包括一个3x3的核，步长为2，用于降采样；

步骤S102，提取所述面部图像的特征标记，选择具有惟一性的特征标记作为固定量，将其归一化到正面，并对归一化后的图像进行特征提取和字典建立；

步骤S103，将所述归一化后的图像和数据库中已有图像进行特征匹配，选择出匹配度最高的图像；

步骤S104，获取面部表情变化后的面部图像，提取局部的多个关键点，判断所述多个关键点之间的关系是否满足预设判定规则，如满足则判断视频流中面部对象为活体，并输出步骤S103中获取的匹配度最高的图像对应的信息；

其中，多个关键点之间的关系为基于预设公式计算的第一特征值；所述预设判定规则为通过统计获取的对应面部图像中对应关键点计算得到的参考范围；所述对应面部图像为所述匹配度最高的图像对应面部表情变化后的面部图像；面部表情变化后的面部图像为眨眼时闭眼状态的面部图像；所述多个关键点包括位于一侧眼角的第一关健点p1、位于另一侧眼角的第四关健点p4、位于上眼皮下缘的第二关键点p2和第三关健点p3、位于下眼皮上缘的第五关键点p5和第六关健点p6；

计算第一特征值的预设公式为：

其中，EAR为第一特征值。

2.根据权利要求1所述的活体的面部动态识别方法，其特征在于，所述预设判定规则为第一特征值EAR∈(0，0.1)。

3.一种活体的面部动态识别系统，其特征在于，该系统包括面部检测模块、特征提取模块、面部对比模块、动态特征识别模块；

所述面部检测模块，配置为从所采集的图像中提取面部所在区域，生成面部图像：

基于面部区域识别模型，采用变长滑动窗口的方法从所采集的图像中提取面部所在区域；

通过预设的分类器筛选所提取的面部所在区域，获得面部图像；

所述面部区域识别模型基于多层前馈的卷积神经网络构建，所述多层前馈的卷积神经网络的每一层都被参数化为向量或者矩阵，每一层之后会使用一个非线性的激活函数，从而对每一层的输出进行非线性化；所述分类器基于深度神经网络构建，包括依次连接的输入层、卷积层、最大池化层、全连接层、输出层；所述输入层由一个3通道的12x12的图片构成；卷积层包含16个3x3卷积核，用于对输入图片进行特征抽取，卷积核的步长为1；最大池化层包括一个3x3的核，步长为2，用于降采样；

所述特征提取模块，配置为提取所述面部图像的特征标记，选择具有惟一性的特征标记作为固定量，将其归一化到正面，并对归一化后的图像进行特征提取和字典建立；

所述面部对比模块，配置为将所述归一化后的图像和数据库中已有图像进行特征匹配，选择出匹配度最高的图像；

所述动态特征识别模块，配置为获取面部表情变化后的面部图像，提取局部的多个关键点，判断所述多个关键点之间的关系是否满足预设判定规则，如满足则判断视频流中面部对象为活体，并输出面部对比模块中获取的匹配度最高的图像对应的信息；

其中，多个关键点之间的关系为基于预设公式计算的第一特征值；所述预设判定规则为通过统计获取的对应面部图像中对应关键点计算得到的参考范围；所述对应面部图像为所述匹配度最高的图像对应面部表情变化后的面部图像；面部表情变化后的面部图像为眨眼时闭眼状态的面部图像；所述多个关键点包括位于一侧眼角的第一关健点p1、位于另一侧眼角的第四关健点p4、位于上眼皮下缘的第二关键点p2和第三关健点p3、位于下眼皮上缘的第五关键点p5和第六关健点p6；

计算第一特征值的预设公式为：

其中，EAR为第一特征值。

4.一种活体的面部动态识别系统，包括摄像装置、处理器、存储设备；处理器，适于执行各条程序；存储设备，适于存储多条程序；其特征在于，所述程序适于由处理器加载并执行以实现权利要求1‑2任一项所述的活体的面部动态识别方法。

5.一种存储介质，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1‑2任一项所述的活体的面部动态识别方法。