1.一种基于人眼差分图像的视线角度估计方法，其特征在于，包括以下步骤：S1、向孪生神经网络的两个输入端分别输入被测试人眼图像和参考人眼图像；

S2、在孪生神经网络中将被测试人眼图像和参考人眼图像分别依次经过VGG16网络、第一全连接层以及ReLU激活函数，得到第一特征向量和第二特征向量；

S3、将第一特征向量和第二特征向量拼接为第三特征向量；

S4、将第三特征向量依次经过第二全连接层和ReLU激活函数，得到第四特征向量；

S5、将第四特征向量经过第三全连接层，在孪生神经网络的输出端得到被测试人眼图像和参考人眼图像对应的视线角度差分值Gd；

S6、对参考人眼图像进行标定，得到参考人眼图像的视线角度向量Gf；

S7、根据参考人眼图像的视线角度向量Gf以及视线角度差分值Gd，得到被测试人眼图像的视线角度向量Gt；

所述步骤S2中第一全连接层的输入参数长度为512，输出参数长度为512；

所述步骤S7中被测试人眼图像的视线角度向量Gt的计算公式为：Gt＝Gf+Gd。

2.根据权利要求1所述的视线角度估计方法，其特征在于，所述步骤S1中被测试人眼图像和参考人眼图像均为左眼图像或均为右眼图像。

3.根据权利要求1所述的视线角度估计方法，其特征在于，所述步骤S1中被测试人眼图像和参考人眼图像均为图像大小为36行，60列的彩色图像。

4.根据权利要求1所述的视线角度估计方法，其特征在于，所述步骤S4中第二全连接层的输入参数长度为1024，输出参数长度为256。

5.根据权利要求1所述的视线角度估计方法，其特征在于，所述步骤S5中第三全连接层的输入参数长度为256，输出参数长度为3。

6.根据权利要求1所述的视线角度估计方法，其特征在于，所述视线角度差分值Gd、参考人眼图像的视线角度向量Gf和被测试人眼图像的视线角度向量Gt均为采用欧拉角表示的长度为3的向量。

7.根据权利要求1所述的视线角度估计方法，其特征在于，对所述孪生神经网络进行网络参数学习时，损失函数采用视线角度差分值Gd与标注的视线角度差值的L2范数。

8.根据权利要求7所述的视线角度估计方法，其特征在于，对所述孪生神经网络进行网络参数学习时，采用标注好的MPIIFaceGaze数据集对孪生神经网络进行网络参数学习。