1.一种确定性能参数的方法，其特征在于，包括：获取第一数据集，所述第一数据集包括多张人脸图像；

将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果，所述活体分类结果包括判别人脸图像中人脸是否属于活体的判断结果，所述检测结果包括用于判别人脸图像中人脸是否属于活体的相关数据；

根据所述检测结果确定所述神经网络的性能参数，所述性能参数反映所述神经网络的性能；

其中，所述检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息；

所述多张人脸图像包括标注信息，所述根据所述检测结果确定所述神经网络的性能参数，包括：将所述检测结果与所述检测结果对应的人脸图像的标注信息进行比对，得到比对结果；

根据至少部分所述多张人脸图像对应的比对结果，确定所述神经网络的性能参数。

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：根据评估结果，获取第二数据集，所述第二数据集包括多个训练样本，所述训练样本包括人脸图像；

将所述多个训练样本输入所述神经网络，得到与每个训练样本对应的检测结果；

根据至少部分所述多个训练样本对应的检测结果与所述至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的权重参数。

3.根据权利要求2所述的方法，其特征在于，所述第一数据集和所述第二数据集均包括真实人脸图像及非真实人脸图像；其中，所述真实人脸图像的标注信息包括活体分类结果以及人脸属性；

所述非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。

4.根据权利要求3所述的方法，其特征在于，所述第二数据集中真实人脸图像的数量小于非真实人脸图像的数量。

5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：通过目标获取方式得到非真实人脸图像。

6.根据权利要求5所述的方法，其特征在于，所述目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。

7.根据权利要求6所述的方法，其特征在于，

属于同一数据集中的至少部分非真实人脸图像的采集方向不同；

和/或，属于同一数据集中的至少部分非真实人脸图像的弯曲方式不同；

和/或，属于同一数据集中的至少部分非真实人脸图像对应的采集装置的种类不同。

8.一种确定性能参数的装置，其特征在于，包括：第一获取模块，用于获取第一数据集，所述第一数据集包括多张人脸图像；

检测模块，用于将所述多张人脸图像输入神经网络，得到与每张人脸图像对应的活体分类结果以及检测结果，所述活体分类结果包括判别人脸图像中人脸是否属于活体的判断结果，所述检测结果包括用于判别人脸图像中人脸是否属于活体的相关数据；

确定模块，用于根据所述检测结果确定所述神经网络的性能参数，所述性能参数反映所述神经网络的性能；

其中，所述检测结果包括如下至少一项：人脸属性、攻击方式、光照条件、成像环境、深度信息和反射信息；

所述多张人脸图像包括标注信息，所述确定模块，具体用于将所述检测结果与所述检测结果对应的人脸图像的标注信息进行比对，得到比对结果；根据至少部分所述多张人脸图像对应的比对结果，确定所述神经网络的性能参数。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：训练模块，用于根据评估结果，获取第二数据集，所述第二数据集包括多个训练样本，所述训练样本包括人脸图像；将所述多个训练样本输入所述神经网络，得到与每个训练样本对应的检测结果；根据至少部分所述多个训练样本对应的检测结果与所述至少部分所述多个训练样本的标注信息的差异程度，调整所述神经网络的权重参数。

10.根据权利要求9所述的装置，其特征在于，所述第一数据集和所述第二数据集均包括真实人脸图像及非真实人脸图像；其中，所述真实人脸图像的标注信息包括活体分类结果以及人脸属性；

所述非真实人脸图像的标注信息包括活体分类结果以及如下至少一项：攻击方式、光照条件、成像环境。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：第二获取模块，用于通过目标获取方式得到非真实人脸图像。

12.根据权利要求11所述的装置，其特征在于，所述目标获取方式包括如下至少一项：采集方向、弯曲方式以及用于采集非真实人脸图像的采集装置的种类。

13.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。