1.一种由粗到精的人脸姿态量化估计方法，其特征在于包括如下步骤：

步骤1：人脸姿态粗略估计阶段，利用卷积神经网络对人脸姿态进行分类，将人脸划分到具体的姿态类别，得到类别标签cI，该标签对应的权重为wI，其中，cI∈C，wI∈W；

步骤2：人脸姿态精细估计阶段，利用三维人脸关键点定位模型Ml对二维人脸图像进行关键点定位，并利用得到的三维人脸关键点在三维坐标系x-y、x-z以及y-z三个平面上的几何投影来进行人脸姿态的精细估计，得到人脸在roll、yaw和pitch三个方向上的偏移角度，具体为：步骤2.1：人脸图像I经三维人脸关键点定位模型Ml得到三维人脸关键点坐标集合L＝{li|i＝1,2,...,N}，其中，N为三维人脸关键点坐标的数量，li为第i个三维人脸关键点坐标且li＝(xi,yi,zi)；

步骤2.2：令两眉毛中点三维坐标P1＝(x1,y1,z1)，鼻子上方第一个关键点三维坐标P2＝(x2,y2,z2)，左眼中点三维坐标P3＝(x3,y3,z3)，右眼中点三维坐标P4＝(x4,y4,z4)，其中，两眉毛中点三维坐标P1为两眉毛n1个三维关键点坐标的平均值，左眼中点三维坐标P3为左眼n3个三维关键点坐标的平均值，右眼中点三维坐标P4为右眼n4个三维关键点坐标的平均值；

步骤2.3：利用两眼中点P3与P4的连线L34在x-y平面上的投影 来估计人脸在roll方向上的偏移，其中，线段 的两个端点分别为P3x-y=(x3，y3)以及 令人脸在roll方向上的偏移角度为θroll，则θroll的计算如公式(1)所示；

步骤2.3.1：当x3＝x4时，人脸在roll方向上为90°，即θroll＝90°；

步骤2.3.2：当x3≠x4时，当人脸在roll方向上无偏移时， 与x轴平行，即y3＝y4，此时θroll＝0°，当人脸在roll方向上发生偏移时， 与x轴产生夹角，当y3>y4，即θroll>0，此时人脸在roll方向上向左侧偏移，当y3

步骤2.4：利用两眼中点P3与P4的连线L34在x-z平面上的投影 来估计人脸在yaw方向上的偏移，其中，线段 的两个端点分别P3x-z=(x3，z3)以及 令人脸在yaw方向上的偏移角度为θyaw，则θyaw的计算如公式(2)所示；

步骤2.4.1：当x3＝x4时，人脸在yaw方向上为90°，即θyaw＝90°；

步骤2.4.2：当x3≠x4时，当人脸在yaw方向上无偏移时， 与x轴平行，即z3＝z4，此时θyaw＝0°，当人脸在yaw方向上发生偏移时， 与x轴产生夹角，当z30，此时人脸在yaw方向上向左侧偏移，当z3>z4，即θyaw<0，此时人脸在yaw方向上向右侧偏移；

步骤2.5：利用两眉毛的中点P1和鼻子上方的第一个关键点P2的连线L12在y-z平面上的投影 来估计人脸在pitch方向上的偏移，其中，线段 的两个端点分别P1y-z=(y1，z1)以及 令人脸在pitch方向上的偏移角度为θpitch，则θpitch的计算如公式(3)所示；

步骤2.5.1：当y1＝y2时，人脸在pitch方向上为90°，即θpitch＝90°；

步骤2.5.2：当y1≠y2时，当人脸在pitch方向上无偏移时， 与y轴平行，即z1＝z2，此时θpitch＝0°，当人脸在pitch方向上发生偏移时， 与y轴产生夹角，当z1>z2，即θpitch>0，此时人脸在pitch方向上向上侧偏移，当z1

步骤2.6：当x3＝x4时，人脸在yaw方向上为90°或在roll方向上为90°，此时为极端姿态下的人脸姿态估计，利用点P1和P2连线在x-y平面上的投影与x轴的夹角β来进行判断，令平行于x轴的向量 令点P1和P2连线在x-y平面上的投影向量不考虑人脸姿态在两个方向上同为90°的情况，因此，当yaw方向或roll方向上为90°时，不存在 的情况，则β的计算公式如公式(4)所示；

步骤2.6.1：当0≤β≤15°时，人脸在roll方向上为90°，此时，利用两眼中点P3与P4连线L34在y-z平面上的投影 来估计人脸在yaw方向上的偏移，线段 的两个端点分别为P3y-z=(y3，z3)以及 此时θyaw的计算如公式(5)所示，利用两眉毛的中点P1和鼻子上方的第一个关键点P2的连线L12在x-z平面上的投影 来估计人脸在pitch方向上的偏移，线段 的两个端点分别P1x-z=(x1，z1)以及 此时θpitch的计算如公式(6)所示；

步骤2.6.2：当β>15°时，人脸在yaw方向上为90°，此时，利用 来估计人脸在roll方向上的偏移，θroll的计算如公式(7)所示，利用 来估计人脸在pitch方向上的偏移，θpitch的计算如公式(8)所示；

步骤2.7：令人脸在roll、yaw、pitch三个方向上的得分分别为Sroll、Syaw、Spitch，其中，Sroll＝cosθroll，Syaw＝cosθyaw，Spitch＝cosθpitch，人脸图像I的人脸姿态总得分为Spose如公式(9)所示；

Spose＝(Sroll+Syaw+Spitch)×wI                 (9)。

2.根据权利要求1所述的一种由粗到精的人脸姿态量化估计方法，其特征在于步骤1中将人脸划分到具体的姿态类别，得到类别标签cI，该标签对应的权重为wI的具体过程如下：步骤1.1：利用深度卷积神经网络对五种不同姿态类别的人脸图像进行训练，得到训练好的人脸姿态分类模型Mc，人脸姿态类别标签C＝{c1,c2,c3,c4,c5}，其中，c1、c2、c3、c4、c5表示五种不同的人脸姿态，分别对应正面人脸、侧45°人脸、抬头、低头以及侧75°人脸，五种姿态类别标签对应五个权重W＝{w1,w2,w3,w4,w5}，该权重用于人脸姿态精细估计阶段人脸姿态得分的计算；

步骤1.2：利用人脸姿态分类模型Mc对一张待姿态估计人脸图像I进行分类识别，得到类别标签cI，该标签对应的权重为wI，其中，cI∈C，wI∈W。

3.根据权利要求1所述的一种由粗到精的人脸姿态估计方法，其特征在于所述的深度卷积神经网络为特征融合卷积神经网络，利用不同层次特征互补的特性，通过融合三个不同层次的卷积特征，使得到的特征更加具有判别力，有利于人脸姿态的分类。