1.一种多池化信息融合的人脸图像特征提取方法，其特征在于：该方法包括以下步骤：S1：数据预处理阶段：对于输入的人脸图像，利用人脸检测方法提取出含有较少背景信息的主要人脸部分，同时将其尺寸重新调整为为224×224；

S2：局部特征提取阶段：通过特征累加的形式，将全局最大池化特征与全局平均池化特征融合，得到增强的局部特征；

S3：全局特征提取阶段：通过特征连接的形式，将全局最大池化特征与全局平均池化特征融合，得到增强的全局特征；

S4：特征融合阶段：将得到的局部特征与全局特征以特征连接的方式融合，得到对人脸姿态变化鲁棒的增强特征。

2.根据权利要求1所述的一种多池化信息融合的人脸图像特征提取方法，其特征在于：所述步骤S1包括以下步骤：

S11：对所有人脸图像数据进行归一化，让整个图像的均值为0，标准差为1，即使原始图像在r,g,b通道上的分布服从正态分布；

S12：利用人脸检测网络裁剪出原始图像中的人脸部分，并将裁剪出的切块图像尺寸重新拉伸为224×224。

3.根据权利要求2所述的一种多池化信息融合的人脸图像特征提取方法，其特征在于：所述步骤S2包括以下步骤：

S21：图像的局部主干特征提取阶段，将S12得到的图像作为输入送入深度卷积神经网络，并将所得特征层向量作为图像的局部特征信息；

S22：图像的局部特征最大池化，将S21得到的特征层向量进行全局最大池化，并输出池化后的最大池化特征；

S23：图像的局部特征平均池化，将S21得到的特征层向量进行全局平均池化，并输出池化后的平均池化特征；

S24：局部池化特征的融合阶段，将S22与S23所得到的两种池化特征向量进行对位累加，输出累加后的融合池化特征作为增强的局部信息鲁棒特征。

4.根据权利要求3所述的一种多池化信息融合的人脸图像特征提取方法，其特征在于：所述步骤S3包括以下步骤：

S31：图像的全局主干特征提取阶段，将S12得到的图像作为输入送入深度卷积神经网络，不同于S21所使用的网络，并将所得特征层向量作为图像的全局特征信息；

S32：图像的全局特征最大池化，将S31得到的特征层向量进行全局最大池化，并输出池化后的最大池化特征；

S33：图像的全局特征平均池化，将S31得到的特征层向量进行全局平均池化，并输出池化后的平均池化特征；

S34：全局池化特征的融合阶段，将S22与S23所得到的两种池化特征向量进行特征维度连接，输出维度连接后的融合池化特征作为增强的全局信息鲁棒特征。