1.一种视频人脸识别方法，其特征在于，所述方法在识别过程中，采用聚合对抗网络将多个低质量视频序列聚合成单张高质量正面人脸图像，并在聚合过程中通过对抗学习的方式提高生成正面人脸图像的质量，从而准确的进行视频人脸识别；

所述聚合对抗网络由聚合网络、判别网络和识别网络组成，其中，聚合网络和判别网络形成对抗学习，以竞争的方式使生成的图像和目标集静态图像更加接近，识别网络在高维特征空间计算感知损失，使得生成的正面人脸图像和对应的目标集静态图像在感知性能上更加接近；

所述方法包括：

S1构造聚合网络G，并通过聚合损失Lagg预训练聚合网络G，得到聚合网络G预训练模型；

S2载入聚合网络G预训练模型，构造判别网络D和识别网络R，计算对抗损失Ladv和感知损失Lper；

S3采用加权和的形式联合聚合损失Lagg、对抗损失Ladv和感知损失Lper来构造最终损失函数L，L＝Lagg+λLadv+αLper；λ、α分别为对抗损失Ladv和感知损失Lper的权重系数，给聚合损失Lagg、对抗损失Ladv和感知损失Lper分配不同的权重系数值，对聚合网络G进行训练，待聚合网络G预训练模型收敛后保存模型参数，得到聚合对抗网络视频人脸识别模型；

S4对S3得到的聚合对抗网络视频人脸识别模型进行测试，测试完成后即可使用所述聚合对抗网络视频人脸识别模型进行视频人脸识别的实际应用；

所述S1之前还包括：

获取训练视频序列数据集，记为V＝{v1,v2,...,vi,...,vN}，其中vi表示第i个类别视频序列，i＝1,2,...,N，N为视频序列的类别数；

获取与V对应的静态图像数据集，记为S＝{s1,s2,...,si,...,sN}，其中si表示第i个类别对应的静态图像；

所述S1包括：

k

通过聚合网络生成图像G(Vi )：聚合网络G的输入是对应于同一类别vi的k张连续视频k帧，输出是对应类别vi的单张高质量正脸图像，定义生成图像为G(Vi)，k是一个超参数，表k示聚合网络输入视频帧的个数，Vi表示k帧连续的第i类别的视频序列；

k

计算Lagg损失， Si表示和Vi 相同类别的静态图像，通过梯度▽Lagg更新聚合网络G的参数，Lagg采用像素级L2损失函数计算得到；

待聚合网络G收敛后，保存网络模型参数，得到聚合网络G预训练模型；

所述S2包括：

k

载入聚合网络G预训练模型，得到生成图像G(Vi)以及相对应的静态图像Si；

构造判别网络D，通过两个步长为1的卷积层来将原始图像转换为特征图，然后通过三个由步长为2的卷积与残差块的组合对特征进行解码，接着通过池化层对解码后的特征进行下采样，最后经过全连接层，输出N+1维的向量表示对应图像的身份和真假信息；

k

将生成图像G(Vi )和之相对应的静态图像Si送入判别网络D当中，计算对抗损失其中Di表

示判别网络D的第i维输出；

k

构造识别网络R，识别网络R采用人脸识别网络LightCNN，将生成图像G(Vi)和与之相对应的静态图像Si送入识别网络R当中，计算感知损失 其中R(·)表示识别网络倒数第二层池化层的特征值。

2.根据权利要求1所述的方法，其特征在于，所述判别网络采用softmax多维度输出的形式，输出N+1维向量；其中N为身份类别数目，剩余一维表示对应图像的真假，“真”表示对应图像为静态图像，“假”表示对应图像为合成图像。

3.根据权利要求2所述的方法，其特征在于，所述S3中：λ＝0.01，α＝0.003。

4.根据权利要求3所述的方法，其特征在于，所述S4中对聚合对抗网络视频人脸识别模型进行测试的过程，包括：测试时的目标集静态图像记为S＝{s1,s2,...,sj,...,sM}，将其分别送入识别网络R得到最后一层特征值F＝{f1,f2,...,fj,...,fM}，其中，M表示身份总类别数；fj表示身份类别为j的人的目标集静态图像的特征；

用摄像头实时捕捉人脸画面，将截取的未知类别的人脸视频序列记为V作为聚合网络G的输入，得到未知类别的生成图像G(V)；

将生成的图像G(V)送入R中得到待查询特征fv，分别计算生成图像的特征fv与目标集特征F＝{f1,f2,...,fj,...,fM}的欧式距离，距离最小的对应类别即为最终识别结果。

5.将权利要求1‑4任一所述视频人脸识别方法在人脸识别技术领域内的应用。

6.根据权利要求5所述的应用方法，其特征在于，所述人脸识别技术领域包括智能安防、视频监控和公安侦查。