1.一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，包括以下步骤：

S1、将经过标记的人脸图像数据集随机划分为训练集和验证集；

S2、采用基于GoogLeNet和ResNet网络结构改进的卷积神经网络；

S3、采用多个不同卷积核大小堆叠而成构建不同的Inception模块；

S4、将获取人脸图像多尺度特征图的网络框架参数进行有监督的微调；

S5、由卷积神经网络结构获取的人脸图像多尺度特征图，对其每一张特征图进行平坦化操作并按照规则组合成矩阵形式，对该矩阵进行变换求其协方差矩阵，再经过正则化的方法，使得该协方差矩阵具有对称正定的特性，进而可以将人脸图像多尺度特征图数据转换为流形数据；

S6、将转换的流形数据SPD矩阵通过SPDNet网络结构，经过BiMap层、ReEig层以及LogEig层可以生成更加具有判别性并且数据维度显著下降的SPD矩阵，同时还可以使其能够应用到后续其它的全连接层以及softmax层进行人脸识别的输出。

2.根据权利要求1所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，所述步骤S2具体为：

S2.1、通过3×3的卷积核构建一层多通道特征图；

S2.2、在输出多通道特征图后接上ReLU激活函数，引入非线性结构。

3.根据权利要求1所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，所述步骤S3具体为：

S3.1、采用多个不同卷积核大小堆叠而成构建不同的Inception模块；

S3.2、每一个Inception模块中，对每一个卷积核获取的特征图按照其深度进行堆叠而成，通过训练N层不同尺度的特征，对所有隐藏层进行训练以获取优良人脸图像特征获取人脸图像的多尺度特征。

4.根据权利要求1所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，步骤S4中所述的微调采用随机梯度下降的方法。

5.根据权利要求1所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，所述步骤S5具体为：

S5.1、通过卷积神经网络结构获取的人脸图像多尺度特征图，将每一张特征图通过平坦化操作形成向量；

S5.2、将每一列向量组合成矩阵形式，对其矩阵进行协方差运算获取协方差矩阵；

S5.3、通过一定的正则化条件使得该协方差矩阵具有对称正定的特性；

S5.4、将人脸图像多尺度特征图数据转换为流形数据。

6.根据权利要求1所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法，其特征在于，所述步骤S6具体为：

S6.1、将转换的流形数据SPD矩阵通过BiMap层的双线映射B将输入的SPD矩阵转换成低维的SPD矩阵；

S6.2、ReEig层使用非线性函数R来修正SPD矩阵；

S6.3、LogEig层对所求出SPD矩阵执行黎曼计算。

7.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑6中任一项所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法。

8.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑6中任一项所述的一种基于非对称性特征和黎曼流形结构的人脸识别方法。