1.一种适用于戴口罩的人脸卷积神经网络特征表达学习和提取方法，其特征在于，所述方法包括以下步骤：步骤1收集标注口罩区域的人脸图像集，训练口罩分割语义模型Ms，其功能是为人脸图像的每个像素点标记口罩区域或非口罩区域标签；

步骤2输入尺寸为M×N的人脸图像I，对I进行语义分割，对人脸图像的像素点I(x,y)分类，x＝1,2,…,M；y＝1,2,…,n，得到I对应的语义矩阵S，S上的点S(x,y)定义如下：步骤3定义尺寸为M×N的掩膜矩阵M，点M(x,y)计算如下：其中，

步骤4修改卷积神经网络各卷积层输入，选择一个深度学习网络结构作为人脸卷积神经网络模型Mf，假设Mf有J个卷积层，符号记为{CNNi(Xi)}i＝1,…,J                 (4)其中，CNNi()表示第i个卷积层，包括卷积、归一化和激活操作，Xi为第i个卷积层的输入，有如下两个关系：X1＝I                       (5)Xj＝CNNi(Xi)                    (6)式(6)中j和i的关系由卷积神经网络模型的网络结构决定；

将M执行最大池化操作得到掩膜矩阵集合{Mi}i＝1,…,J，与Mf的各卷积层{CNNi}i＝1,…,J输入尺寸一一对应,用{Mi}i＝1,…,J对{Xi}i＝1,…,J进行如下修改：Mf的J个卷积层修改为：

Mf的全连接层、分类层不变，将修改后的卷积层的新输出结果 作为输入即可，原全连接层FC表示为：

FC(I)＝F({CNNi(Xi)}i＝1,…,J)          (9)修改卷积层后，全连接层FC表示为：

其中，函数F()是全卷积层的符号表达；

原分类层输出表示为：

i

f(I)＝f(FC(I))＝f(F({CNNi(X)}i＝1,…,J))     (11)修改卷积层后，分类层输出表示为：

其中，函数f()是分类层的符号表达，全连接层数据FC(I)即为输入人脸图像的特征表达，如果需要学习人脸卷积神经网络模型的参数，转向步骤5；

步骤5根据分类层f(I)结果与人脸ID的损失函数，反向传播更新神经网络模型参数，执行步骤1至步骤4，直至收敛。