1.一种基于深度森林和迁移学习的情感分类方法，其特征在于：包括以下步骤：

S101：选取源域数据集和训练目标域数据集；源域数据集为带标签样本的人脸数据集或者情感数据集，训练目标域数据集为人脸情感图像集；

S102：使用深度卷积神经网络对源域数据集进行训练，得到训练好的特征提取模型，并将所述特征提取模型进行保存；

S103：对训练目标域数据进行预处理，所述预处理包括通道转换及尺寸裁剪；

S104：利用所述特征提取模型对预处理后的训练目标域数据进行特征提取，得到样本特征；

S105：将样本特征作为深度森林分类模型的输入，对深度森林分类模型进行训练；

S106：当深度森林模型分类模型训练完成后，利用训练后的深度森林分类模型对实际需要处理的人脸情感图像进行分类，得到所述人脸情感图像的分类结果。

2.如权利要求1所述的一种基于深度森林和迁移学习的情感分类方法，其特征在于：在步骤S102中，深度卷积神经网络选取于VGG16模型的前13层，VGG16模型的前13层为卷积层，用于图像特征提取。

3.如权利要求1所述的一种基于深度森林和迁移学习的情感分类方法，其特征在于：在步骤S105中，所述深度森林分类模型采用级联结构进行连接，每一层所包含的森林则为决策树的集成；深度森林分类模型自动确定深度森林级联的层数，其自动确定深度森林级联的层数的方法为：每个森林通过k折交叉验证生成类向量，即每个样本数据作为k-1次的训练样本，产生k-1个类向量，并根据训练目标域数据集中的人脸情感图像得到验证数据，当拓展产生新的一层森林时，整个深度森林框架的性能会根据验证数据进行评估，如果整个深度森林框架的性能没有明显改善，则深度森林的层数不再增加，即深度森林的层数被确定。

4.如权利要求3所述的一种基于深度森林和迁移学习的情感分类方法，其特征在于：在深度森林分类模型的训练过程中，每层使用Q个随机森林和P个完全随机树森林，第一层将产生(Q+P)×C个特征，产生的特征向量将与原始特征向量连接并输入到下一级，其中，C为类别个数；之后的每一层与此类似，直至倒数第二层。

5.如权利要求4所述的一种基于深度森林和迁移学习的情感分类方法，其特征在于：所述随机森林是指：利用多棵决策树对样本数据进行训练并预测的一种分类器，所述随机森林中每棵树的产生方法为：在整个特征空间中随机选择 个特征作为候选特征，其中，d为输入特征的个数，然后选择具有最佳Gini值的特征作为节点的分裂特征；所述完全随机树森林是指：利用多棵决策树对样本进行训练并预测的一种分类器，所述完全随机树森林中每棵树的产生方法为：在整个特征空间中随机选择1个特征作为节点的分裂特征。

6.如权利要求1所述的一种基于深度森林和迁移学习的情感分类方法，其特征在于：在步骤S106中，取所述深度森林分类模型中最后一层所有森林输出类概率的平均值中的最大值作为所述深度森林分类模型输出的分类结果所对应的类别：Fin(c)＝Maxy{Ave.m[c11,c12,...,c1y,c21,c22,...,c2y,...cm1,cm2,...,cmy]}，其中，m为深度森林每层包含森林的个数，y为该数据集的类别的个数，c为单个森林的输出类概率，Fin(c)为所述深度森林分类模型输出的分类结果，Maxy为所述深度森林分类模型中最后一层所有森林输出类概率的平均值中的最大值，Ave.m为所述深度森林分类模型中最后一层所有森林输出类概率的平均值。