1.一种基于多任务学习的轻量化人脸姿态估计方法，其特征在于，获取待处理人脸图像，利用卷积网络提取所述待处理人脸图像得到相应的卷积特征图，然后将待处理人脸图像的卷积特征图输入至经过预先训练的轻量化人脸对齐与姿态估计模型，得到待处理人脸图像的人脸对齐与姿态估计信息；

所述轻量化人脸对齐与姿态估计模型包括基于倒置残差的姿态估计任务网络和基于倒置残差的人脸对齐任务网络；

所述姿态估计任务网络用于对待处理人脸图像的卷积特征图进行倒置残差处理和卷积处理，将倒置残差处理得到的待处理人脸图像的中间特征图输出至人脸对齐任务网络，并对姿态估计任务网络内的各处理结果进行全连接多尺度融合处理，得到待处理人脸图像的姿态旋转矩阵；

所述人脸对齐任务网络用于对所述中间特征图进一步进行倒置残差处理和卷积处理，并对人脸对齐任务网络内的各处理结果进行全连接多尺度融合处理，得到待处理人脸图像的人脸特征点坐标矩阵；

所述待处理人脸图像的姿态旋转矩阵和人脸特征点坐标矩阵作为人脸对齐与姿态估计信息，用以进行人脸姿态估计；所述轻量化人脸对齐与姿态估计模型的训练方式为：将预先完成人脸姿态估计及人脸特征点标记的人脸样本图像构成的训练集输入所述轻量化人脸对齐与姿态估计模型，构建包含姿态估计任务损失函数和人脸对齐任务损失函数的总损失函数，以最小化总损失函数为目标对轻量化人脸对齐与姿态估计模型的模型参数进行优化更新，进而对轻量化人脸对齐与姿态估计模型进行训练；

所述姿态估计任务损失函数为：

其中，Rp为姿态估计任务网络预测人脸样本图像的姿态旋转矩阵，Rgt为人脸样本图像的真实标签姿态旋转矩阵；tr(·)为矩阵的迹运算符；T为转置符号；

所述人脸对齐任务损失函数为：

其中， 为姿态估计任务网络预测人脸样本图像的人脸特征点坐标矩阵中第i个特征点的位置坐标，Pi(x,y)为人脸样本图像的真实标签人脸特征点坐标矩阵中第i个特征点的位置坐标，i∈{1,2,…,N}，N为特征点个数；||·||表示L2范数运算；

总损失函数L为姿态估计任务损失函数L1和人脸对齐任务损失函数L2的加权求和：L＝L1+λL2；

λ为权重系数。

2.根据权利要求1所述基于多任务学习的轻量化人脸姿态估计方法，其特征在于，所述姿态估计任务网络包括依次级联的两个第一倒置残差模块和一个第一卷积模块，以及连接所述两个第一倒置残差模块和第一卷积模块的第一全连接层；

所述两个第一倒置残差模块用于对待处理人脸图像的卷积特征图进行两次倒置残差处理，对所述卷积特征图进行两次下采样特征提取，得到待处理人脸图像的中间特征图，并输出至人脸对齐任务网络；

所述第一卷积模块用于对所述中间特征图进行卷积特征提取，得到待处理人脸图像的中间卷积特征图；

所述第一全连接层用于对两个第一倒置残差模块和第一卷积模块的各处理结果进行全连接多尺度融合处理，得到待处理人脸图像的姿态旋转矩阵。

3.根据权利要求1所述基于多任务学习的轻量化人脸姿态估计方法，其特征在于，所述人脸对齐任务网络包括依次级联的一个第二倒置残差模块和两个第二卷积模块，以及连接所述第二倒置残差模块和两个第二卷积模块的第二全连接层；

所述第二倒置残差模块用于对待处理人脸图像的中间特征图进一步进行倒置残差处理，对所述中间特征图再次进行下采样特征提取；

所述两个第二卷积模块用于对所述中间特征图的下采样特征提取结果进一步进行卷积特征提取处理；

所述第二全连接层用于对第二倒置残差模块和两个第二卷积模块的各处理结果进行全连接多尺度融合处理，得到待处理人脸图像的人脸特征点坐标矩阵。

4.根据权利要求2或3所述基于多任务学习的轻量化人脸姿态估计方法，其特征在于，所述第一倒置残差模块或第二倒置残差模块均为倒置残差网络；所述倒置残差网络包括依次级联的一个1×1的卷积升维层、一个3×3的深度卷积层和一个1×1的卷积降维层。