1.一种人脸图像超分辨率重建方法，其特征是：包括以下步骤：

S100、获取低分辨率人脸图像和训练完成的深度学习网络；所述深度学习网络中设有双通道特征提取机构和图像重置机构，多个所述双通道特征提取机构在所述深度学习网络中串联设置，所述双通道特征提取机构用于提取所述低分辨率人脸图像的特征信息；

S200、将所述低分辨率人脸图像输入所述深度学习网络，所述低分辨率人脸图像信息沿着网络的深度方向传递，直到最后一个所述双通道特征提取机构生成并输出第一精制特征图和第二精制特征图；

S300、将所述第一精制特征图与所述第二精制特征图融合，生成复合特征图；

S400、所述图像重置机构以所述复合特征图作为输入，重建并输出高分辨率人脸图像；

其中，所述双通道特征提取机构提取特征的操作过程表示为如下数学模型：

其中，  表示从所述双通道特征提取机构的第一入口输入其中的特征图， 表示从所述双通道特征提取机构的第二入口输入其中的特征图， 、 、、 和 均表示步长为1的卷积运算， 、 、 、 和 均

表示第一型激活函数， 表示第二型激活函数， 表示元素对应乘积运算， 表示将其中的特征图拼接起来， 表示双头注意力单元， 表示所述双头注意力单元输出的双头注意力图， 表示 函数激活后生成的特征图， 表示 函数激活后生成的特征图， 表示 函数激活后生成的特征图， 表示 函数激活后生成的特征图，表示特征图 、特征图 和特征图 相加后生成的特征图， 表示特征图、特征图 和特征图 做元素对应乘积后生成的特征图， 表示 函数激活后生成的特征图， 表示所述双头注意力图与特征图 做元素对应乘积后生成的特征图， 表示从所述双通道特征提取机构的第一出口输出的特征图， 表示从所述双通道特征提取机构的第二出口输出的特征图；

所述双头注意力单元生成双头注意力图的过程表示为如下数学模型；

其中，特征图 、 、 和 共同作为所述双头注意力单元的输入， 表

示所述双头注意力单元输出的双头注意力图， 表示对特征图做拼接操作， 表示对特征图在通道方向做第一全局池化操作， 表示对特征图在空间方向做第二全局池化操作， 表示全连接层， 和 均表示第三型激活函数， 表示元素对应乘积运算，表示分别对特征图 、特征图 、特征图 在通道方向做第一全局池化操作并拼接后生成的特征图， 表示函数 激活后生成的特征图。

2.根据权利要求1所述的人脸图像超分辨率重建方法，其特征是： 、 和的卷积核尺寸均为1*1， 的卷积核尺寸为3*3， 的卷积核尺寸为5*

5。

3.根据权利要求1所述的人脸图像超分辨率重建方法，其特征是：所述第一型激活函数为ReLU函数。

4.根据权利要求3所述的人脸图像超分辨率重建方法，其特征是：所述第二型激活函数为Tanh函数。

5.权利要求1所述的人脸图像超分辨率重建方法，其特征是：所述第一全局池化操作为全局方差池化操作，所述第二全局池化操作为全局最大池化操作。

6.权利要求5所述的人脸图像超分辨率重建方法，其特征是：所述第三型激活函数为sigmoid函数。

7.一种计算机可读取的存储介质，其特征是：所述计算机可读取的存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的人脸图像超分辨率重建方法。