1.基于深度学习的脸部痣识别方法，其特征在于，包括：

获取含有人脸的图片；

利用HOG特征检测图片中的人脸并剪裁得到人脸图像；

将人脸图像划分为边缘重叠的若干图像块；

将图像块输入人脸痣识别模型，预测每个图像块含痣的概率，并定位含痣图像块在人脸图像中的位置；其中，人脸痣识别模型的获取过程为：利用VGG16卷积神经网络的特征提取层对增强训练集中的图片进行特征提取；构建人脸痣识别分类器，并利用提取的特征对参数进行训练和优化，得到全连接层；将特征提取层与全连接层进行搭建，形成完整人脸痣识别模型；对完整人脸痣识别模型进行微调，得到最终的人脸痣识别模型；

所述利用HOG特征检测图片中的人脸的具体步骤为：对图片进行灰度化后采用伽马变换对图片进行颜色空间的归一化处理；利用一阶微分方程计算图片中每一个像素点的横向梯度、纵向梯度、梯度方向和幅度；将图片分割为若干小方块，将每个小方块的梯度方向分成多个方向块，计算不同梯度方向的个数，得到每个小方块的特征向量；将相邻的多个小方块组成一个滑动窗口，串联一个滑动窗口内所有小方块的特征向量得到该滑动窗口的HOG特征；利用滑动窗口对图片进行扫描，设置扫描步长，通过重叠若干像素的方式进行滑动扫描，收集串联所有滑动窗口的HOG特征，得到图片中人脸的HOG特征向量；将得到的HOG特征向量输入SVM模型，得到图片中的人脸；

其中，进行人脸裁剪包括：提取人脸的若干关键点，将若干关键点划分到不同的关键点集合，基于关键点集合计算人脸图像剪裁的位置，计算得到人脸的top、bottom、left和right：其中，x1、x2分别为集合 中的第六个点和第三个点， 包

含眉毛上的11个关键点的横坐标， 包含眉毛上的11个关键点的纵坐标，包含下巴上的16个关键点的横坐标， 包含下巴上的16个关键点的纵坐标，通过top、bottom、left和right四个坐标输出图像中人脸位置，对人脸进行剪裁得到人脸图像；

其中，重叠分块处理包括：按照设置的图像块尺寸和步长，将人脸图像划分为边缘重叠的若干图像块。

2.如权利要求1所述的基于深度学习的脸部痣识别方法，其特征在于，所述对完整人脸痣识别模型进行微调的具体步骤为：载入完整人脸痣识别模型；

使用增强训练集对模型中所有卷积层以及全连接层进行微调，采用优化器优化参数；

采用验证集验证数据，选择最优参数模型，作为最终的人脸痣识别模型。

3.如权利要求1所述的基于深度学习的脸部痣识别方法，其特征在于，所述增强训练集通过对训练集中图片依次进行归一化预处理，图像旋转，图像水平偏移，图像垂直偏移，随机错切变化图像，随机缩放图像，随机水平翻转图片和像素填充得到。

4.如权利要求1所述的基于深度学习的脸部痣识别方法，其特征在于，所述图像块输入人脸痣识别模型之前要进行预处理操作，具体包括：调整图像块尺寸；

将调整后的图像块转化为数组；

在数组的0位置添加数据，并对其进行归一化处理。

5.基于深度学习的脸部痣识别系统，其特征在于，包括：

数据获取模块，其用于获取含有人脸的图片；

人脸图像剪裁模块，其用于利用HOG特征检测图片中的人脸并剪裁得到人脸图像；

重叠分块模块，其用于将人脸图像划分为边缘重叠的若干图像块；

人脸痣识别模块，其用于将图像块输入人脸痣识别模型，预测每个图像块含痣的概率，并定位含痣图像块在人脸图像中的位置；其中，人脸痣识别模型的获取过程为：利用VGG16卷积神经网络的特征提取层对增强训练集中的图片进行特征提取；构建人脸痣识别分类器，并利用提取的特征对参数进行训练和优化，得到全连接层；将特征提取层与全连接层进行搭建，形成完整人脸痣识别模型；对完整人脸痣识别模型进行微调，得到最终的人脸痣识别模型；

所述利用HOG特征检测图片中的人脸的具体步骤为：对图片进行灰度化后采用伽马变换对图片进行颜色空间的归一化处理；利用一阶微分方程计算图片中每一个像素点的横向梯度、纵向梯度、梯度方向和幅度；将图片分割为若干小方块，将每个小方块的梯度方向分成多个方向块，计算不同梯度方向的个数，得到每个小方块的特征向量；将相邻的多个小方块组成一个滑动窗口，串联一个滑动窗口内所有小方块的特征向量得到该滑动窗口的HOG特征；利用滑动窗口对图片进行扫描，设置扫描步长，通过重叠若干像素的方式进行滑动扫描，收集串联所有滑动窗口的HOG特征，得到图片中人脸的HOG特征向量；将得到的HOG特征向量输入SVM模型，得到图片中的人脸；

其中，进行人脸裁剪，包括：提取人脸的若干关键点，将若干关键点划分到不同的关键点集合，基于关键点集合计算人脸图像剪裁的位置，计算得到人脸的top、bottom、left和right：其中，x1、x2分别为集合 中的第六个点和第三个点， 包

含眉毛上的11个关键点的横坐标， 包含眉毛上的11个关键点的纵坐标，包含下巴上的16个关键点的横坐标， 包含下巴上的16个关键点的纵坐标，通过top、bottom、left和right四个坐标输出图像中人脸位置，对人脸进行剪裁得到人脸图像；

其中，重叠分块处理，包括：按照设置的图像块尺寸和步长，将人脸图像划分为边缘重叠的若干图像块。

6.如权利要求5所述的基于深度学习的脸部痣识别系统，其特征在于，所述增强训练集通过对训练集中图片依次进行归一化预处理，图像旋转，图像水平偏移，图像垂直偏移，随机错切变化图像，随机缩放图像，随机水平翻转图片和像素填充得到。

7.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑4任一项方法的步骤。

8.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑4任一项方法的步骤。