1.一种基于深度学习的人脸识别装置，其特征在于，包括装置本体(1)、升降机构(7)和可自动调焦的摄像机(8)；装置本体(1)为方形盒体结构，内置有用于人脸识别数据处理的树莓派(2)、用于数据存储的硬盘组(3)和用于为所述人脸识别装置供电的储能电池(4)，升降机构(7)垂直固定在装置本体(1)上端面中间位置，摄像机(8)水平固定在升降机构(7)顶部，摄像机(8)的主控芯片(801)与树莓派(2)电性连接；升降机构(7)包括圆管(701)、齿条(702)、电机(703)、第一固定板(705)和第二固定板(706)，第一固定板(705)开设有第一螺孔并通过螺钉固定在装置本体(1)上端面，圆管(701)一体垂直固定在第一固定板(705)上，齿条(702)插接在圆管(701)中，齿条(702)顶部与第二固定板(706)下端面垂直一体连接，第二固定板(706)上开设第二螺孔并通过螺钉与摄像机(8)固定；圆管(701)顶部后侧一体设置有水平承托板，电机(703)通过螺栓固定在所述水平承托板上，电机(703)的输出轴端部固定有齿轮(704)，齿轮(704)穿过圆管(701)并与齿条(702)啮合；电机(703)上配套有用于手动控制电机(703)正、反转的旋钮开关；升降机构(7)还包括用于卡住齿条(702)的插销式卡扣(707)，圆管(701)顶部开设有供卡扣(707)插入的孔；所述齿条(702)可在圆管(701)中360度旋转。

2.根据权利要求1所述的基于深度学习的人脸识别装置，其特征在于，树莓派(2)上设置有USB接口(201)，装置本体(1)上对应于USB接口(201)的位置开孔。

3.根据权利要求1所述的基于深度学习的人脸识别装置，其特征在于，储能电池(4)连有电源插头(5)；装置本体(1)侧面设置有散热风扇(6)。

4.根据权利要求1至3中任一项所述的基于深度学习的人脸识别装置，其特征在于，装置本体(1)、圆管(701)、齿条(702)、第一固定板(705)和第二固定板(706)均为碳纤维材质。

5.一种基于深度学习的人脸识别方法，其特征在于，包括如下步骤：

步骤a、人脸检测，获取包含人脸的图像，通过yolo算法对包含人脸的图像进行检测，分割并提取出人脸图像；

步骤b、人脸图像预处理，通过拉普拉斯高斯算法对提取出的人脸图像进行平滑降噪处理及边缘检测；

步骤c、面部表情特征提取，将预处理的人脸图像输入预先训练的神经网络模型中，输出识别结果；

步骤b包括：

步骤b‑1、对图像f(x,y)进行平滑滤波，滤波函数选用高斯函数G(x,y)：高斯函数G(x,y)为一个圆对称函数，公式(1)中，x为图像横轴坐标，y为图像纵轴坐标，exp表示自然常数e为底的指数函数，高斯函数G(x,y)平滑作用由控制参数σ来控制；

将G(x,y)与f(x,y)卷积，得到一个平滑的图像g(x,y)＝f(x,y)*G(x,y)；

步骤b‑2、增强，对平滑图像g(x,y)进行拉普拉斯运算：

公式(2)中， 表示梯度；

步骤b‑3、边缘检测，边缘检测的判断依据为h(x,y)＝0的点，作为边缘点。

6.根据权利要求5所述的基于深度学习的人脸识别方法，其特征在于，步骤a中，yolo算法的架设采用darknet‑53网络作为训练网络。

7.根据权利要求5所述的基于深度学习的人脸识别方法，其特征在于，步骤c中，采用VGG‑16作为训练网络，将fer人脸表情训练集作为基础训练集输入VGG‑16网络进行训练，在得到训练矩阵生成的同时，加入其类别矩阵，用于保存训练集标签；

VGG‑16网络为全连接神经网络，输入数据在加权求和之后通过激活函数计算传入下一个神经源，而上层每一个神经源都要经过此运算过程后传到进入下一层；

具体包括：

步骤c‑1、将ReLU函数作为激活函数，对输入数据进行激活处理；

步骤c‑2、通过损失函数计算预测值和真实值之间的差值，损失函数采用交叉熵损失函数：公式(3)输出某一个对象是某一类的概率，其中，tk为某一个对象的正确解，为0或1；k表示求和下标，yk为上一层的输出；

步骤c‑3、通过优化函数计算权重更新值，优化函数采用adam优化器。