1.一种微表情识别方法，其特征在于，包括：

步骤（1）对微表情视频序列进行预处理，得到人脸图像集，并将所述人脸图像集划分为训练集和测试集；

步骤（2）搭建网络模型DA_DenseNet，所述网络模型DA_DenseNet采用DenseNet‑121作为骨干网络，并在DenseNet‑121的每一个Dense Block之后加入两个分支，一个分支是en‑scSE模块，第二个分支为Triplet Attention模块，对两个分支输出的特征图进行相乘融合；在每一个Transition Layer后加入Triplet Attention，在提取的特征最终进行分类之前，根据所分类的类数，加入特征细化模块；所述en‑scSE模块是改进的通道级的注意力模块与改进的通道压缩‑空间激励模块的并联模块，所述Triplet Attention模块为不同维度的交互处理模块；

cSE模块将人脸图像 利用全局平均池化从 变为 ，再用两次卷积运算，最终获得一个 维的向量，再利用sigmoid函数对其进行归一化，最后通过channel‑wise相乘得到输出特征；en‑scSE模块在所述channel‑wise之前增加了两个线性层并使用ReLu激活函数；

sSE模块沿着通道压缩人脸图像 并在空间上激发，人脸图像利用 的卷积，从变为 ，使用sigmoid函数 激活，然后与原来的人脸图像进行相乘得到特征；en‑scSE模块增加了一支全局平均池化操作，与原来sSE得到的特征相乘，空间内不重要的信息将会被抑制，更好地提取重要特征；

步骤（3）采用训练集对所述网络模型DA_DenseNet进行训练，执行分类任务并生成分类模型；

步骤（4）采用测试集对训练好的网络模型DA_DenseNet进行测试。

2.根据权利要求1所述的微表情识别方法，其特征在于，所述步骤（1）中，对微表情视频序列进行预处理，包括：步骤（11）定位每个微表情视频序列的起始帧和顶点帧，并从定位到的起始帧和顶点帧中分割出人脸区域；并增加微表情顶点帧前后各两帧作为训练或者测试样本；

步骤（12）采用随机裁剪，直接将微表情视频序列裁剪出固定大小的微表情样本，对微表情样本进行随机旋转，并对微表情样本进行色彩抖动操作以进行数据增强。

3.根据权利要求1所述的微表情识别方法，其特征在于，所述步骤（2）中，Triplet Attention的结构为：Triplet Attention由3个平行分支组成，第一个分支在H维度和C维度之间建立了交互，第二个分支在C维度和W维度建立了交互，第三个分支在H维度和W维度之间建立了交互，Z‑pool层负责将C维度的Tensor缩减到2维，并将该维上的平均池化特征和最大池化特征连接起来，其公式为：；

其中，Maxpool代表最大池化，Avgpool表示平均池化，0d是发生最大和平均池化操作的第0维；

最终3个分支的输出使用平均进行聚合，公式为：

；

其中， 表示第一分支旋转后的张量， 表示第二分支旋转后的张量， 表示第三分支的张量， 表示 通过Z‑pool之后的张量， 表示 通过Z‑pool之后的张量， 表示 通过Z‑pool之后的张量，代表sigmoid激活函数， 表示三个分支中由卷积核大小k定义的标准二维卷积层。

4.根据权利要求1所述的微表情识别方法，其特征在于，所述步骤（2）中，特征细化模块的结构为：每个特征细化分支由一个全局平均池化和两个全连接层组成，其中，全连接层起到分类的作用，全连接层后是激活层sigmoid；如果训练样本的微表情样本是第k个类别，则第k个分支中的真值为1，其他分支的真值为0，允许网络为每类表情生成特定于表情的特征。

5.一种微表情识别系统，其特征在于，包括：

预处理模块，用于对微表情视频序列进行预处理，得到人脸图像集，并将所述人脸图像集划分为训练集和测试集；

模型构建模块，用于搭建网络模型DA_DenseNet，所述网络模型DA_DenseNet采用DenseNet‑121作为骨干网络，并在DenseNet‑121的每一个Dense Block之后加入两个分支，一个分支是en‑scSE模块，第二个分支为Triplet Attention模块，对两个分支输出的特征图进行相乘融合；在每一个Transition Layer后加入Triplet Attention，在提取的特征最终进行分类之前，根据所分类的类数，加入特征细化模块；所述en‑scSE模块是改进的通道级的注意力模块与改进的通道压缩‑空间激励模块的并联模块，所述Triplet Attention模块为不同维度的交互处理模块；

cSE模块将人脸图像 利用全局平均池化从 变为 ，再用两次 卷

积运算，最终获得一个 维的向量，再利用sigmoid函数对其进行归一化，最后通过channel‑wise相乘得到输出特征；en‑scSE模块在所述channel‑wise之前增加了两个线性层并使用ReLu激活函数；

sSE模块沿着通道压缩人脸图像 并在空间上激发，人脸图像利用 的卷积，从变为 ，使用sigmoid函数 激活，然后与原来的人脸图像进行相乘得到特征；en‑scSE模块增加了一支全局平均池化操作，与原来sSE得到的特征相乘，空间内不重要的信息将会被抑制，更好地提取重要特征；

训练模块，用于采用训练集对所述网络模型DA_DenseNet进行训练，执行分类任务并生成分类模型；

测试模块，用于采用测试集对训练好的网络模型DA_DenseNet进行测试。

6.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序在被计算机处理器执行时实现权利要求1至4任一项所述的方法。