1.一种基于视频分析的活体判别方法，其特征在于，包括：
根据预置的特征提取模型提取待分析视频的第一特征信息；
根据预置的分类模型及所述第一特征信息，计算所述待分析视频对应的类型判别参数值，所述分类模型包括活体视频和非活体视频分别对应的基于特征信息的类型判别参数的计算信息；
根据所述类型判别参数值确定所述待分析视频是否属于活体视频。
2.如权利要求1所述的方法，其特征在于，所述根据预置的特征提取模型提取待分析视频的第一特征信息，具体包括：
将所述待分析视频分为多段n帧的子视频，两段相邻的所述子视频之间有m帧的重叠图像，所述n为大于m的自然数；
分别根据所述特征提取模型提取所述多段子视频的特征信息；
计算所述多段子视频的特征信息的平均值作为所述第一特征信息。
3.如权利要求2所述的方法，其特征在于，所述特征提取模型包括卷积层，池化层和全连接层，根据所述特征提取模型提取所述多段子视频中某一子视频的特征信息，具体包括：
通过所述卷积层对所述某一子视频的时间信息和像素信息进行卷积计算得到t个维度的时间特征信息和像素特征信息；
通过所述池化层将所述t个维度的时间特征信息和像素特征信息进行降维处理得到p个维度的时间特征信息和像素特征信息；
通过所述全连接层确定所述p个维度的时间特征信息和像素特征信息之间的关联关系，则所述某一子视频的特征信息包括具有所述关联关系的p个维度的时间特征信息和像素特征信息。
4.如权利要求1至3任一项所述的方法，其特征在于，所述分类模型的数据包括活体视频和非活体视频分别对应的基于特征信息的概率计算信息，则所述根据预置的分类模型及第一特征信息，计算所述待分析视频对应的类型判别参数值，具体包括：
根据所述第一特征信息及所述概率计算信息计算所述待分析视频属于活体视频的第一概率和属于非活体视频的第二概率；
所述根据所述类型判别参数值确定所述待分析视频是否属于活体视频，具体包括：将所述第一概率和第二概率中较大概率的视频类型确定为所述待分析视频的类型。
5.如权利要求4所述的方法，其特征在于，所述根据预置的特征提取模型提取待分析视频的第一特征信息之前，所述方法还包括：
分别将多个视频训练样本包含的图像的元素值输入到计算网络中计算得到对应的特征信息，所述计算网络包括多个串联的参数计算层，任一参数计算层根据输入信息与对应的计算参数值得到计算结果，并输入到下一参数计算层；
其中，在得到一个视频训练样本对应的特征信息后，调整所述计算网络中的各个参数计算层对应的计算参数值，并基于调整后的计算网络得到另一视频训练样本的特征信息，使得另一视频训练样本的特征信息满足收敛条件，则所述特征提取模型为进行所述调整后的计算网络。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述多个视频训练样本中属于活体视频的第一视频训练样本对应的第二特征信息确定活体视频的基于特征信息的第一概率计算信息，使得根据所述第一概率计算信息得到的概率大于0.5；或，
根据所述多个视频训练样本中属于非活体视频的第二视频训练样本对应的第三特征信息确定非活体视频的基于特征信息的第二概率计算信息，使得根据所述第二概率计算信息得到的概率大于0.5。
7.如权利要求1至3任一项所述的方法，其特征在于，所述分类模型的数据包括分别与活体视频和非活体视频的特征信息之间的距离计算信息，则所述根据预置的分类模型及第一特征信息，计算所述待分析视频对应的类型判别参数值，具体包括：
根据所述距离计算信息计算所述第一特征信息分别与活体视频的特征信息的第一距离和非活体视频的特征信息的第二距离；
所述根据所述类型判别参数值确定所述待分析视频是否属于活体视频，具体包括：将所述第一距离和第二距离中较小距离对应的视频类型确定为所述待分析视频的类型。
8.一种基于视频分析的活体判别系统，其特征在于，包括：
特征提取单元，用于根据预置的特征提取模型提取待分析视频的第一特征信息；
参数值计算单元，用于根据预置的分类模型及所述第一特征信息，计算所述待分析视频对应的类型判别参数值，所述分类模型包括活体视频和非活体视频分别对应的基于特征信息的类型判别参数的计算信息；
类型确定单元，用于根据所述类型判别参数值确定所述待分析视频是否属于活体视频。
9.如权利要求8所述的系统，其特征在于，所述特征提取单元具体包括：
划分单元，用于将所述待分析视频分为多段n帧的子视频，两段相邻的所述子视频之间有m帧的重叠图像，所述n为大于m的自然数；
提取单元，用于分别根据所述特征提取模型提取所述多段子视频的特征信息；
确定单元，用于计算所述多段子视频的特征信息的平均值作为所述第一特征信息。
10.如权利要求9所述的系统，其特征在于，
所述提取单元，具体用于如果所述特征提取模型包括卷积层，池化层和全连接层，通过所述卷积层对所述某一子视频的时间信息和像素信息进行卷积计算得到t个维度的时间特征信息和像素特征信息；通过所述池化层将所述t个维度的时间特征信息和像素特征信息进行降维处理得到p个维度的时间特征信息和像素特征信息；通过所述全连接层确定所述p个维度的时间特征信息和像素特征信息之间的关联关系，则所述某一子视频的特征信息包括具有所述关联关系的p个维度的时间特征信息和像素特征信息。
11.如权利要求8至10任一项所述的系统，其特征在于，
所述参数值计算单元，具体用于如果所述分类模型包括活体视频和非活体视频分别对应的基于特征信息的概率计算信息，根据所述第一特征信息及所述概率计算信息计算所述待分析视频属于活体视频的第一概率和属于非活体视频的第二概率；
所述类型确定单元，具体用于将所述第一概率和第二概率中较大概率的视频类型确定为所述待分析视频的类型。
12.如权利要求11所述的系统，其特征在于，还包括：
提取模型训练单元，用于分别将多个视频训练样本包含的图像的元素值输入到计算网络中计算得到对应的特征信息，所述计算网络包括多个串联的参数计算层，任一参数计算层根据输入信息与对应的计算参数值得到计算结果，并输入下一参数计算层；
其中，在得到一个视频训练样本对应的特征信息后，调整所述计算网络中的各个参数计算层对应的计算参数值，并基于调整后的计算网络得到另一视频训练样本的特征信息，使得另一视频训练样本的特征信息满足收敛条件，则所述特征提取模型为进行所述调整后的计算网络。
13.如权利要求12所述的系统，其特征在于，还包括：
分类模型训练单元，用于根据所述多个视频训练样本中属于活体视频的第一视频训练样本对应的第二特征信息确定活体视频的基于特征信息的第一概率计算信息，使得根据所述第一概率计算信息得到的概率大于0.5；或，根据所述多个视频训练样本中属于非活体视频的第二视频训练样本对应的第三特征信息确定非活体视频的基于特征信息的第二概率计算信息，使得根据所述第二概率计算信息得到的概率大于0.5。
14.如权利要求8至10任一项所述的系统，其特征在于，
所述参数值计算单元，具体用于如果所述分类模型的数据包括分别与活体视频和非活体视频的特征信息之间的距离计算信息，根据所述距离计算信息计算所述第一特征信息分别与活体视频的特征信息的第一距离和非活体视频的特征信息的第二距离；
所述类型确定单元，具体用于将所述第一距离和第二距离中较小距离对应的视频类型确定为所述待分析视频的类型。