1.一种面部疼痛表情自动分级评估方法，其特征在于，具体包括如下步骤：S1.建立特征提取模型，所述特征提取模型主干网络为VGG‑16网络，图像在输入VGG‑16网络后，提取其特征图，将所提取的特征图分解成若干个子特征图输入局部通路，局部注意力机制计算出每个子特征图的权重，每个权重值再与对应的子特征图进行乘积，将经过局部通路所提取的每个子特征图的信息进行拼接；同时，VGG‑16所提取的特征被输入到全局通路中，利用全局注意力机制提取与面部与疼痛相关AU单元的特征信息，最后将提取的局部特征与全局特征进行融合；

S2.根据步骤S1建立的特征提取模型进行面部图像特征提取，对疼痛等级进行评估，得到评估的结果。

2.根据权利要求1所述的一种面部疼痛表情自动分级评估方法，其特征在于，所述疼痛等级划分为四个等级，分别为：“Nopain”、“Weakpain”、“Mildpain”、“Strongpain”，分别对应的疼痛评估分数分别为：0分、1分、2分、3‑15分。

3.根据权利要求1所述的一种面部疼痛表情自动分级评估方法，其特征在于，由VGG‑16所提取得特征图大小为512×25×25，先经过一次2×2最大池化，得到512×12×12的特征图，将其送入全局注意力机制中。

4.根据权利要求3所述的一种面部疼痛表情自动分级评估方法，其特征在于，所述全局注意力机制具体为：将512×12×12的特征图进行卷积计算，卷积核大小为3×3；同时将512×12×12的特征图进行一个全局池化，池化后再做一个1×1的卷积操作，将得到一个一维向量，将其送入sigmoid函数中，从而计算出全局特征的权重值，将得到的权重值与经过卷积的特征图进行相乘，得到全局权重特征图，将输入的特征图与全局权重特征图进行相加，从而得到了全局加权特征图。

5.根据权利要求4所述的一种面部疼痛表情自动分级评估方法，其特征在于，所述局部注意力机制具体为：每个子特征图经过两次卷积，卷积核大小为3×3；将卷积后的特征图与原特征图进行相加，从而将得到的新特征图，其经过一个2×2的池化后，得到512×3×3的特征图，该特征图经过一次卷积后得到128×3×3的特征图，对其进行维度变换，得到一个1维的特征向量，将该向量通过sigmoid函数从而计算出子特征图的权重值；同时将特征图的维度变换与权重值相同的维度，再将权重值与特征图相乘，最终将25个经过权重加权的特征图进行拼接，从而提取到局部特征。