1.一种超光谱人脸识别方法，其特征在于，包括：

获取可见光人脸图像集和红外人脸图像集，并将所述可见光人脸图像集分为可见光人脸训练图像集和可见光人脸测试图像集，所述红外人脸图像集分为红外人脸训练图像集和红外人脸测试图像集；

对所述可见光人脸训练图像集、可见光人脸测试图像集、所述红外人脸训练图像集和红外人脸测试图像集分别进行预处理得到可见光人脸预处理训练图像集、可见光人脸预处理测试图像集、红外人脸预处理训练图像集和红外人脸预处理测试图像集；

构建超光谱图像融合网络模型，根据所述可见光人脸预处理训练图像集和所述红外人脸预处理训练图像集对所述超光谱图像融合网络模型进行训练得到训练好的超光谱图像融合网络模型；

将所述可见光人脸测试图像集和所述红外人脸测试图像集输入至所述训练好的超光谱图像融合网络模型得到超光谱人脸图像集，并将所述超光谱人脸图像集分为超光谱人脸训练图像集、超光谱人脸测试图像集；

构建卷积神经网络人脸识别模型，根据所述超光谱人脸训练图像集对所述卷积神经网络人脸识别模型进行训练得到训练好的卷积神经网络人脸识别模型；

将所述超光谱人脸测试图像集输入至所述训练好的卷积神经网络人脸识别模型得到人脸特征集，并使用支持向量机分类器对所述人脸特征集进行分类处理以实现超光谱人脸识别；构

建的超光谱图像融合网络模型包括预融合层、编码器模块、融合层和解码器模块，其中，

所述预融合层的输入与输入图像连接，所述预融合层的输出与所述编码器模块的输入连接，所述编码器模块包括依次连接的第一卷积层和密集残差模块，所述密集残差模块的输出与所述预融合层的输出进行全局残差连接输出，所述全局残差连接输出与所述融合层的输入连接；

所述融合层的输出与所述解码器模块的输入连接，所述解码器模块包括依次连接第二卷积层～第五卷积层和反馈层，所述反馈层的输出与所述融合层的输出再次输入至所述第二卷积层构成反馈连接；

所述密集残差模块包括依次连接的第一密集残差连接层～第三密集残差连接层、多尺度拼接层、第四密集残差连接层，所述第一密集残差连接层的输入还与所述第一密集残差连接层的输出、所述第二密集残差连接层的输出、所述第三密集残差连接层的输出连接，所述第二密集残差连接层的输入还与所述第二密集残差连接层的输出、所述第三密集残差连接层的输出连接，所述第三密集残差连接层的输入还与所述第三密集残差连接层的输出连接，所述第四密集残差连接层的输出还与所述第一卷积层的输入进行局部残差连接输出，所述局部残差连接输出与所述预融合层的输出进行全局残差连接输出；

根据所述可见光人脸预处理训练图像集和所述红外人脸预处理训练图像集对所述超光谱图像融合网络模型进行训练得到训练好的超光谱图像融合网络模型，包括：

构建基于结构性损失、像素损失和平均梯度损失的复合损失函数；

根据所述可见光人脸预处理训练图像集和所述红外人脸预处理训练图像集并利用所述基于结构性损失、像素损失和平均梯度损失的复合损失函数对所述超光谱图像融合网络模型进行训练得到训练好的超光谱图像融合网络模型。

2.根据权利要求1所述的超光谱人脸识别方法，其特征在于，对所述可见光人脸训练图像集、可见光人脸测试图像集、所述红外人脸训练图像集和红外人脸测试图像集分别进行预处理得到可见光人脸预处理训练图像集、可见光人脸预处理测试图像集、红外人脸预处理训练图像集和红外人脸预处理测试图像集，包括：

对所述可见光人脸训练图像集和所述可见光人脸测试图像集分别进行灰度转换、归一化处理得到所述可见光人脸预处理训练图像集和所述可见光人脸预处理测试图像集；

对所述红外人脸训练图像集和所述红外人脸测试图像集分别进行图像增强、归一化处理得到所述红外人脸预处理训练图像集和所述红外人脸预处理测试图像集。

3.根据权利要求1所述的超光谱人脸识别方法，其特征在于，构建的卷积神经网络人脸识别模型包括依次连接的ResNet特征提取模块、特征归一化模块、特征空间映射模块。

4.根据权利要求1所述的超光谱人脸识别方法，其特征在于，根据所述超光谱人脸训练图像集对所述卷积神经网络人脸识别模型进行训练得到训练好的卷积神经网络人脸识别模型，包括：

构建三元组损失函数Tripletloss；

根据超光谱人脸训练图像集并利用所述三元组损失函数Triplet loss对所述卷积神经网络人脸识别模型进行训练得到训练好的卷积神经网络人脸识别模型。

5.一种超光谱人脸识别装置，其特征在于，所述装置包括：

数据获取模块，用于获取可见光人脸图像集和红外人脸图像集，并将所述可见光人脸图像集分为可见光人脸训练图像集和可见光人脸测试图像集，所述红外人脸图像集分为红外人脸训练图像集和红外人脸测试图像集；

数据预处理模块，用于对所述可见光人脸训练图像集、可见光人脸测试图像集、所述红外人脸训练图像集和红外人脸测试图像集分别进行预处理得到可见光人脸预处理训练图像集、可见光人脸预处理测试图像集、红外人脸预处理训练图像集和红外人脸预处理测试图像集；

第一模型构建训练模块，用于构建超光谱图像融合网络模型，根据所述可见光人脸预处理训练图像集和所述红外人脸预处理训练图像集对所述超光谱图像融合网络模型进行训练得到训练好的超光谱图像融合网络模型；

数据生成模块，用于将所述可见光人脸测试图像集和所述红外人脸测试图像集输入至所述训练好的超光谱图像融合网络模型得到超光谱人脸图像集，并将所述超光谱人脸图像集分为超光谱人脸训练图像集、超光谱人脸测试图像集；

第二模型构建训练模块，用于构建卷积神经网络人脸识别模型，根据所述超光谱人脸训练图像集对所述卷积神经网络人脸识别模型进行训练得到训练好的卷积神经网络人脸识别模型；

数据识别模块，用于将所述超光谱人脸测试图像集输入至所述训练好的卷积神经网络人脸识别模型得到人脸特征集，并使用支持向量机分类器对所述人脸特征集进行分类处理以实现超光谱人脸识别。

6.一种超光谱人脸识别电子设备，其特征在于，所述该电子设备包括图像采集器、显示器、处理器、通信接口、存储器和通信总线，其中，所述图像采集器、所述显示器、所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述图像采集器用于采集图像数据；

所述显示器用于显示图像识别数据；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现权利要求1～4任一所述的超光谱人脸识别方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～4任一所述的超光谱人脸识别方法。