1.一种人脸识别的方法，其特征在于，包括：获取识别目标的深度图像；

基于所述深度图像进行人脸防伪判别，以确定所述识别目标是否为三维人脸结构，其中，人脸防伪判别的结果用于人脸识别。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述识别目标的二维图像；

基于所述二维图像进行二维识别；

其中，所述获取识别目标的深度图像，包括：

在二维识别成功时，获取所述识别目标的深度图像；

所述方法还包括：

在所述识别目标为三维人脸结构时，确定人脸识别成功；

或者，在所述识别目标不为三维人脸结构时，确定人脸识别失败。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述识别目标为三维人脸结构时，获取所述识别目标的二维图像，并基于所述二维图像进行二维识别；

在二维识别成功时，确定人脸识别成功，或者，在二维识别失败时，确定人脸识别失败；

或者，在所述识别目标为非三维人脸结构时，确定人脸识别失败。

4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：基于所述二维图像进行人脸检测；

其中，所述基于所述二维图像进行二维识别包括：在人脸检测成功时，对所述二维图像进行人脸图像剪切形成人脸二维图像，基于所述人脸二维图像进行二维识别。

5.根据权利要求4所述的方法，其特征在于，所述基于所述人脸二维图像进行二维识别，包括：将所述人脸二维图像的特征向量与多个模板特征向量进行匹配，当匹配成功时，二维识别成功，或者，当匹配失败时，二维识别失败。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：当人脸识别成功时，基于所述人脸二维图像的特征向量进行模板学习。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述获取识别目标的深度图像，包括：投射结构光至所述识别目标；

接收所述结构光经所述识别目标反射后的反射结构光信号，并将所述反射结构光信号转换得到所述深度图像。

8.根据权利要求2-7中任一项所述的方法，其特征在于，所述获取所述识别目标的二维图像，包括：发射红外光至所述识别目标；

接收所述红外光经所述识别目标反射后的反射红外光信号，并将所述反射红外光信号转换得到所述二维图像。

9.根据权利要求1-8中任一项所述的方法，其特征在于，所述基于所述深度图像进行人脸防伪判别，以确定所述识别目标是否为三维人脸结构，包括：对所述深度图像进行预处理得到优化深度图像；

通过卷积神经网络对所述优化深度图像进行分类处理，以确定所述识别目标是否为三维人脸结构。

10.根据权利要求9所述的方法，其特征在于，所述对所述深度图像进行预处理得到优化深度图像，包括：采用直方图均衡化方法对所述深度图像进行处理得到所述优化深度图像。

11.根据权利要求9所述的方法，其特征在于，所述对所述深度图像进行预处理得到优化深度图像，还包括：采用局部二值模式特征处理方法对所述深度图像处理得到所述优化深度图像。

12.根据权利要求9-11中任一项所述的方法，其特征在于，所述卷积神经网络包括至少一个卷积层，所述通过卷积神经网络对所述优化深度图像进行分类处理，包括：通过所述至少一个卷积层，对所述优化深度图像进行卷积计算得到多个特征图，对所述多个特征图进行处理。

13.根据权利要求12所述的方法，其特征在于，所述至少一个卷积层包括：特征检测卷积层，包括n个第一卷积核，其中n为正整数；所述对所述优化深度图像进行卷积计算包括：基于所述n个第一卷积核，对所述优化深度图像进行卷积计算得到n个第一特征图。

14.根据权利要求13所述的方法，其特征在于，所述至少一个卷积层还包括：深度卷积层，包括n个第二卷积核；所述对所述优化深度图像进行卷积计算还包括：将所述n个第一特征图中的第i个第一特征图与所述n个第二卷积核中的第i个第二卷积核进行卷积计算得到n个第二特征图中的第i个特征图，其中i为小于等于n的正整数。

15.根据权利要求14所述的方法，其特征在于，所述至少一个卷积层还包括：逐点卷积层，包括m组第三卷积核，其中m为正整数；所述对所述优化深度图像进行卷积计算还包括：所述m组第三卷积核中第j组卷积核与所述n个第二特征图进行卷积计算后相加得到m个第三特征图中的第j个第三特征图，其中j为小于等于m的正整数。

16.根据权利要求15所述的方法，其特征在于，所述第一卷积核与所述第二卷积核为3*

3矩阵，所述第三卷积核为1*1矩阵。

17.根据权利要求12-16中任一项所述的方法，其特征在于，所述卷积神经网络还包括至少一个激励层，所述对所述多个特征图进行处理包括：采用激励函数对所述多个特征图中的每个像素值进行非线性化处理，得到多个稀疏特征图，对所述多个稀疏特征图进行处理。

18.根据权利要求17所述的方法，其特征在于，所述激励函数为修正线性单元ReLU函数。

19.根据权利要求17或18所述的方法，其特征在于，所述卷积神经网络还包括至少一个压缩奖惩SE网络层，所述对所述多个稀疏特征图进行处理包括：对所述多个稀疏特征图进行压缩和奖惩加权处理，得到压缩奖惩SE模块，对所述压缩奖惩SE模块进行处理。

20.根据权利要求19所述的方法，其特征在于，所述卷积神经网络还包括至少一个全连接层，所述对所述压缩奖惩SE模块进行处理包括：对所述SE模块进行至少一次全连接，得到多个稀疏常数，对所述多个稀疏常数进行分类处理。

21.根据权利要求20所述的方法，其特征在于，所述对所述多个稀疏常数进行分类处理包括：采用Sigmoid函数对所述多个稀疏常数进行分类，以确定所述识别目标是否为三维人脸结构。

22.一种人脸识别的装置，其特征在于，包括：图像采集模组，用于获取识别目标的深度图像；

处理器，用于基于所述深度图像进行人脸防伪判别，以确定所述识别目标是否为三维人脸结构，其中，人脸防伪判别的结果用于人脸识别。

23.根据权利要求22所述的装置，其特征在于，所述图像采集模组还用于：获取所述识别目标的二维图像；

所述处理器还用于：基于所述二维图像进行二维识别；

其中，所述图像采集模组具体用于：在二维识别成功时，获取所述识别目标的深度图像；

所述处理器还用于：在所述识别目标为三维人脸结构时，确定人脸识别成功；或者，在所述识别目标不为三维人脸结构时，确定人脸识别失败。

24.根据权利要求23所述的装置，其特征在于，在所述识别目标为三维人脸结构时，所述图像采集模组还用于：获取所述识别目标的二维图像；

所述处理器还用于：基于所述二维图像进行二维识别；

在二维识别成功时，确定人脸识别成功，或者，在二维识别失败时，确定人脸识别失败；

或者，在所述识别目标为非三维人脸结构时，所述处理器还用于：确定人脸识别失败。

25.根据权利要求23或24所述的装置，其特征在于，所述处理器还用于：基于所述二维图像进行人脸检测；

其中，所述处理器具体用于：在人脸检测成功时，对所述二维图像进行人脸图像剪切形成人脸二维图像，基于所述人脸二维图像进行二维识别。

26.根据权利要求25所述的装置，其特征在于，所述处理器具体用于：将所述人脸二维图像的特征向量与多个模板特征向量进行匹配，当匹配成功时，二维识别成功，或者，当匹配失败时，二维识别失败。

27.根据权利要求26所述的装置，其特征在于，所述处理器还用于：当人脸识别成功时，基于所述人脸二维图像的特征向量进行模板学习。

28.根据权利要求22-27中任一项所述的装置，其特征在于，所述装置还包括：结构光投射模组；

所述结构光投射模组用于投射结构光至所述识别目标；

其中，所述图像采集模组具体用于接收所述结构光经所述识别目标反射后的反射结构光信号，并将所述反射结构光信号转换得到所述深度图像。

29.根据权利要求28所述的装置，其特征在于，所述结构光为点阵光或者随机散斑。

30.根据权利要求28或29所述的装置，其特征在于，所述结构光投射模组为点阵光投射器或者散斑结构光投射器。

31.根据权利要求28-30中任一项所述的装置，其特征在于，所述装置还包括红外发光模组；

所述红外发光模组用于发射红外光至所述识别目标；

其中，所述图像采集模组具体用于接收所述红外光经所述识别目标反射后的反射红外光信号，并将所述反射红外光信号转换得到二维图像。

32.根据权利要求22-31中任一项所述的装置，其特征在于，所述图像采集模组为红外摄像头，包括滤波片和红外光检测阵列。

33.根据权利要求22-32中任一项所述的装置，其特征在于，所述处理器具体用于：对所述深度图像进行预处理得到优化深度图像；

通过卷积神经网络对所述优化深度图像进行分类处理，以确定所述识别目标是否为三维人脸结构。

34.根据权利要求33所述的装置，其特征在于，所述处理器具体用于：采用直方图均衡化装置对所述深度图像进行处理得到所述优化深度图像。

35.根据权利要求33所述的装置，其特征在于，所述处理器具体用于：采用局部二值模式特征处理装置对所述深度图像处理得到所述优化深度图像。

36.根据权利要求33-35中任一项所述的装置，其特征在于，所述卷积神经网络包括至少一个卷积层，所述处理器具体用于：通过所述至少一个卷积层，对所述优化深度图像进行卷积计算得到多个特征图，对所述多个特征图进行处理。

37.根据权利要求36所述的装置，其特征在于，所述至少一个卷积层包括：特征检测卷积层，包括n个第一卷积核，其中n为正整数；所述处理器具体用于：基于所述n个第一卷积核，对所述优化深度图像进行卷积计算得到n个第一特征图。

38.根据权利要求37所述的装置，其特征在于，所述至少一个卷积层还包括：深度卷积层，包括n个第二卷积核；所述处理器具体用于：将所述n个第一特征图中的第i个第一特征图与所述n个第二卷积核中的第i个第二卷积核进行卷积计算得到n个第二特征图中的第i个特征图，其中i为小于等于n的正整数。

39.根据权利要求38所述的装置，其特征在于，所述至少一个卷积层还包括：逐点卷积层，包括m组第三卷积核，其中m为正整数；所述处理器具体用于：所述m组第三卷积核中第j组卷积核与所述n个第二特征图进行卷积计算后相加得到m个第三特征图中的第j个第三特征图，其中j为小于等于m的正整数。

40.根据权利要求39所述的装置，其特征在于，所述第一卷积核与所述第二卷积核为3*

3矩阵，所述第三卷积核为1*1矩阵。

41.根据权利要求36-40中任一项所述的装置，其特征在于，所述卷积神经网络还包括至少一个激励层，所述处理器具体用于：采用激励函数对所述多个特征图中的每个像素值进行非线性化处理，得到多个稀疏特征图，对所述多个稀疏特征图进行处理。

42.根据权利要求41所述的装置，其特征在于，所述激励函数为修正线性单元ReLU函数。

43.根据权利要求41或42所述的装置，其特征在于，所述卷积神经网络还包括至少一个压缩奖惩SE网络层，所述处理器具体用于：对所述多个稀疏特征图进行压缩和奖惩加权处理，得到压缩奖惩SE模块，对所述压缩奖惩SE模块进行处理。

44.根据权利要求43所述的装置，其特征在于，所述卷积神经网络还包括至少一个全连接层，所述处理器具体用于：对所述SE模块进行至少一次全连接，得到多个稀疏常数，对所述多个稀疏常数进行分类处理。

45.根据权利要求44所述的装置，其特征在于，所述处理器具体用于：采用Sigmoid函数对所述多个稀疏常数进行分类，以确定所述识别目标是否为三维人脸结构。

46.一种电子设备，其特征在于，包括：

如权利要求22至45中任一项所述的人脸识别的装置。