1.一种人脸比对的方法，其特征在于，所述方法包括：
利用深度神经网络训练出基于预设彩色图像的第一比对模型；并根据所述第一比对模型搭建孪生网络；
根据用户彩色图像、用户红外图像生成正样本和负样本；将所述正样本和所述负样本分别输入到所述孪生网络中，得到所述用户彩色图像的第一特征向量，并得到同一样本中的所述用户红外图像的第二特征向量；
计算所述第一特征向量和所述第二特征向量之间的余弦相似距离和kl散度，将所述余弦相似距离代入预设对比损失函数得到对比损失值，并根据所述对比损失值和所述kl散度训练所述孪生网络，待样本数据迭代后得到第二比对模型；
将目标彩色图像和目标红外图像输入所述第二比对模型，并进行相似度计算；根据所述相似度计算输出人脸比对的结果。
2.根据权利要求1所述的方法，其特征在于，所述根据用户彩色图像、用户红外图像生成正样本和负样本包括：
根据同一人之间的一对所述用户彩色图像和所述用户红外图像生成所述正样本，并根据不同人之间的一对所述用户彩色图像和所述用户红外图像生成所述负样本。
3.根据权利要求1或2所述的方法，其特征在于，所述根据用户彩色图像、用户红外图像生成正样本和负样本包括：
对所述用户彩色图像进行第一关键点提取，根据所述第一关键点得到第一仿射矩阵，根据所述第一仿射矩阵得到对齐彩色图像，并将所述对齐彩色图像裁减为预设图像尺寸的裁减彩色图像；
对所述用户红外图像进行第二关键点提取，根据所述第二关键点得到第二仿射矩阵，根据所述第二仿射矩阵得到对齐红外图像，并将所述对齐红外图像裁减为所述预设图像尺寸的裁减红外图像；
根据同一人之间的所述裁减彩色图像和所述裁减红外图像生成所述正样本，并根据不同人之间的所述裁减彩色图像和所述裁减红外图像生成所述负样本。
4.根据权利要求1所述的方法，其特征在于，所述将所述正样本和所述负样本分别输入到所述孪生网络中包括：
对所述正样本进行归一化处理，得到归一化正样本；并将所述负样本进行归一化处理，得到归一化负样本；
将所述归一化正样本和所述归一化负样本分别输入到所述孪生网络中。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一比对模型搭建孪生网络包括：
将所述第一比对模型作为基干网络，固定所述基干网络中卷积单元的参数，并放开所述基干网络中全连接层的参数；根据所述基干网络搭建所述孪生网络。
6.根据权利要求1所述的方法，其特征在于，所述根据所述对比损失值和所述kl散度训练所述孪生网络，待样本数据迭代后得到第二比对模型包括：
根据所述对比损失值和所述kl散度调整更新所述孪生网络中全连接层的参数；
设置学习率和衰减方式，待输入所述孪生网络中的样本数据迭代后得到第二比对模型。
7.一种人脸比对的装置，其特征在于，所述装置包括：
搭建模块，用于利用深度神经网络训练出基于预设彩色图像的第一比对模型，并根据所述第一比对模型搭建孪生网络；
特征模块，用于根据用户彩色图像和用户红外图像生成正样本和负样本；所述特征模块将所述正样本和所述负样本分别输入到所述孪生网络中，得到所述用户彩色图像的第一特征向量，并得到同一样本中的所述用户红外图像的第二特征向量；
获取模块，用于计算所述第一特征向量和所述第二特征向量之间的余弦相似距离和kl散度，将所述余弦相似距离代入预设对比损失函数得到对比损失值，并根据所述对比损失值和所述kl散度训练所述孪生网络，待样本数据迭代后得到第二比对模型；
比对模块，用于将目标彩色图像和目标红外图像输入所述第二比对模型，并进行相似度计算；所述比对模块根据所述相似度计算输出人脸比对的结果。
8.根据权利要求7所述的装置，其特征在于，所述搭建模块还用于将所述第一比对模型作为基干网络，固定所述基干网络中卷积单元的参数，并放开所述基干网络中全连接层的参数；所述搭建模块根据所述基干网络搭建所述孪生网络。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。