1.一种图像识别方法，其特征在于，包括：
获取待识别客体图像；
提取所述待识别客体图像的客体特征；
从预先训练好的度量模型集合中选择与所述待识别客体图像的来源类别相对应的相似度度量模型，并计算所述客体特征与注册图像客体特征的相似度，作为输出客体识别结果的依据；
其中，所述度量模型集合包含至少一个相似度度量模型，不同的相似度度量模型分别与客体图像的不同来源类别相对应。
2.根据权利要求1所述的图像识别方法，其特征在于，所述度量模型集合中对应不同来源类别的各相似度度量模型，是利用属于预设来源类别的基准客体图像训练集、以及对应不同来源类别的比对客体图像训练集分别训练得到的。
3.根据权利要求2所述的图像识别方法，其特征在于，所述基准客体图像训练集中的客体图像与所述注册图像属于相同的来源类别。
4.根据权利要求1所述的图像识别方法，其特征在于，在所述从预先训练好的度量模型集合中选择与所述待识别客体图像的来源类别相对应的相似度度量模型的步骤之前，执行下述操作：
以所述客体特征为输入，利用预先训练好的客体图像来源分类模型，确定所述待识别客体图像的来源类别。
5.根据权利要求4所述的图像识别方法，其特征在于，所述客体图像来源分类模型是采用如下算法训练得到的多类分类模型：
Softmax算法、多类SVM算法、或者随机森林算法。
6.根据权利要求1所述的图像识别方法，其特征在于，所述相似度度量模型包括：在参与比对的客体特征服从各自高斯分布的假设下、建立的非对称度量模型。
7.根据权利要求6所述的图像识别方法，其特征在于，所述非对称度量模型包括：基于联合贝叶斯脸的非对称度量模型；
对应于特定来源类别的上述非对称度量模型是采用如下步骤训练得到的：
提取属于预设来源类别的基准客体图像训练集中各图像的客体特征，作为基准特征样本集；
提取属于所述特定来源类别的比对客体图像训练集中各图像的客体特征，作为比对特征样本集；
在参与比对的客体特征服从各自高斯分布的假设下，建立包含参数的非对称度量模型；
根据上述两类特征样本集中的样本以及标识样本是否属于同一客体的身份标签，求解所述非对称度量模型中的参数，完成所述模型的训练。
8.根据权利要求7所述的图像识别方法，其特征在于，所述对应于特定来源类别的非对称度量模型如下所示：
A＝(Sxx+Txx)-1-E
B＝(Syy+Tyy)-1-F
G＝-(Sxx+Txx-Sxy(Syy+Tyy)-1Syx)-1Sxy(Syy+Tyy)-1
E＝(Sxx+Txx-Sxy(Syy+Tyy)-1Syx)-1
F＝(Syy+Tyy-Syx(Sxx+Txx)-1Sxy)-1
其中，假设基准特征样本集X中的样本x＝μx+εx，μx和εx服从均值为0，协方差矩阵为Sxx和Txx的高斯分布，比对特征样本集Y中的样本y＝μy+εy，μy和εy服从均值为0，协方差矩阵为Syy和Tyy的高斯分布，Sxy和Syx是X和Y之间的互协方差矩阵；r(x,y)为基于类内/类间对数似然比计算的相似度；
所述求解所述非对称度量模型中的参数包括：求解Sxx、Txx、Syy、Tyy、Sxy、和Syx。
9.根据权利要求7所述的图像识别方法，其特征在于，所述求解所述非对称度量模型中的参数包括：
利用散度矩阵估算所述模型中的参数；或者，
采用期望最大化算法迭代求解所述模型中的参数。
10.根据权利要求1所述的图像识别方法，其特征在于，所述计算所述客体特征与注册图像客体特征的相似度，包括：
计算所述客体特征与对应特定身份的注册图像客体特征的相似度；
在上述计算相似度的步骤后，执行下述操作：
判断所述相似度是否大于预先设定的阈值；
若是，判定所述待识别客体图像与所述对应特定身份的注册图像属于同一客体，并将所述判定作为客体识别结果输出。
11.根据权利要求1所述的图像识别方法，其特征在于，所述计算所述客体特征与注册图像客体特征的相似度，包括：
计算所述客体特征与指定范围内的注册图像客体特征的相似度；
在上述计算相似度的步骤后，执行下述操作：
判断计算所得相似度中的最大值是否大于预先设定的阈值；
若是，判定所述待识别客体图像在所述指定范围内的注册图像中匹配成功，并将所述最大值对应的注册图像的相关身份信息作为客体识别结果输出。
12.根据权利要求1-11任一项所述的图像识别方法，其特征在于，所述提取所述待识别客体图像的客体特征，包括：
采用局部二值模式算法提取所述客体特征；或者，
采用Gabor小波变换算法提取所述客体特征；或者，
采用深度卷积网络提取所述客体特征。
13.根据权利要求1-11任一项所述的图像识别方法，其特征在于，所述待识别客体图像包括：待识别人脸图像；所述客体特征包括：人脸特征。
14.根据权利要求13所述的图像识别方法，其特征在于，所述来源类别包括：
证件照、生活照、视频截图、扫描图像、翻拍图像、或者监控画面。
15.一种图像识别装置，其特征在于，包括：
图像获取单元，用于获取待识别客体图像；
特征提取单元，用于提取所述待识别客体图像的客体特征；
相似度计算单元，用于从预先训练好的度量模型集合中选择与所述待识别客体图像的来源类别相对应的相似度度量模型，并计算所述客体特征与注册图像客体特征的相似度，作为输出客体识别结果的依据；
其中，所述相似度计算单元包括：
度量模型选择子单元，用于从预先训练好的度量模型集合中选择与所述待识别客体图像的来源类别相对应的相似度度量模型；
计算执行子单元，用于利用所述度量模型选择子单元所选的相似度度量模型计算所述客体特征与注册图像客体特征的相似度，作为输出客体识别结果的依据。
16.根据权利要求15所述的图像识别装置，其特征在于，包括：
度量模型训练单元，用于利用属于预设来源类别的基准客体图像训练集、以及对应不同来源类别的比对客体图像训练集，分别训练得到所述度量模型集合中对应不同来源类别的各相似度度量模型。
17.根据权利要求15所述的图像识别装置，其特征在于，包括：
来源类别确定单元，用于在触发所述相似度计算单元工作之前，以所述客体特征为输入，利用预先训练好的客体图像来源分类模型，确定所述待识别客体图像的来源类别。
18.根据权利要求17所述的图像识别装置，其特征在于，包括：
来源分类模型训练单元，用于在触发所述来源类别确定单元工作之前，采用如下算法训练训练所述客体图像来源分类模型：Softmax算法、多类SVM算法、或者随机森林算法。
19.根据权利要求15所述的图像识别装置，其特征在于，包括：
度量模型训练单元，用于训练所述度量模型集合中的各相似度度量模型，所述相似度度量模型包括：在参与比对的客体特征服从各自高斯分布的假设下、基于联合贝叶斯脸建立的非对称度量模型；
所述度量模型训练单元通过如下子单元训练对应于特定来源类别的上述非对称度量模型：
基准样本提取子单元，用于提取属于预设来源类别的基准客体图像训练集中各图像的客体特征，作为基准特征样本集；
比对样本提取子单元，用于提取属于所述特定来源类别的比对客体图像训练集中各图像的客体特征，作为比对特征样本集；
度量模型建立子单元，用于在参与比对的客体特征服从各自高斯分布的假设下，建立包含参数的非对称度量模型；
模型参数求解子单元，用于根据上述两类特征样本集中的样本以及标识样本是否属于同一客体的身份标签，求解所述非对称度量模型中的参数，完成所述模型的训练。
20.根据权利要求19所述的图像识别装置，其特征在于，所述模型参数求解子单元具体用于，利用散度矩阵估算所述模型中的参数，或者，采用期望最大化算法迭代求解所述模型中的参数。
21.根据权利要求15所述的图像识别装置，其特征在于，所述计算执行子单元具体用于，计算所述客体特征与对应特定身份的注册图像客体特征的相似度；
所述装置还包括：
第一阈值比对单元，用于判断所述相似度是否大于预先设定的阈值；
第一识别结果输出单元，用于当所述第一阈值比对单元的输出为是时，判定所述待识别客体图像与所述对应特定身份的注册图像属于同一客体，并将所述判定作为客体识别结果输出。
22.根据权利要求15所述的图像识别装置，其特征在于，所述计算执行子单元具体用于，计算所述客体特征与指定范围内的注册图像客体特征的相似度；
所述装置还包括：
第二阈值比对单元，用于判断计算所得相似度中的最大值是否大于预先设定的阈值；
第二识别结果输出单元，用于当所述第二阈值比对单元的输出为是时，判定所述待识别客体图像在所述指定范围内的注册图像中匹配成功，并将所述最大值对应的注册图像的相关身份信息作为客体识别结果输出。
23.根据权利要求15-22任一项所述的图像识别装置，其特征在于，所述特征提取单元具体用于，采用局部二值模式算法提取所述客体特征、采用Gabor小波变换算法提取所述客体特征、或者采用深度卷积网络提取所述客体特征。
24.一种度量学习方法，其特征在于，包括：
提取属于同一来源类别的基准客体图像训练集中各图像的客体特征，作为基准特征样本集；
提取属于同一来源类别、但与所述基准客体图像分属不同来源类别的比对 客体图像训练集中各图像的客体特征，作为比对特征样本集；
在参与比对的客体特征服从各自高斯分布的假设下，建立包含参数的非对称度量模型；
利用上述两类特征样本集中的样本，求解所述非对称度量模型中的参数。
25.根据权利要求24所述的度量学习方法，其特征在于，所述非对称度量模型包括：基于联合贝叶斯脸的非对称度量模型；
所述非对称度量模型如下所示：
A＝(Sxx+Txx)-1-E
B＝(Syy+Tyy)-1-F
G＝-(Sxx+Txx-Sxy(Syy+Tyy)-1Syx)-1Sxy(Syy+Tyy)-1
E＝(Sxx+Txx-Sxy(Syy+Tyy)-1Syx)-1
F＝(Syy+Tyy-Syx(Sxx+Txx)-1Sxy)-1
其中，假设基准特征样本集空间X中的样本x＝μx+εx，μx和εx服从均值为0，协方差矩阵为Sxx和Txx的高斯分布，比对特征样本集空间Y中的样本y＝μy+εy，μy和εy服从均值为0，协方差矩阵为Syy和Tyy的高斯分布，Sxy和Syx是X和Y之间的互协方差矩阵；r(x,y)为基于类内/类间对数似然比计算的相似度；
所述求解所述非对称度量模型中的参数包括：求解Sxx、Txx、Syy、Tyy、Sxy、和Syx。
26.根据权利要求25所述的度量学习方法，其特征在于，所述求解所述非对称度量模型中的参数包括：
利用散度矩阵估算所述模型中的参数；或者，
采用期望最大化算法迭代求解所述模型中的参数。
27.根据权利要求24-26任一项所述的度量学习方法，其特征在于，所述基准客体图像以及所述比对客体图像包括：人脸图像；所述客体特征包括：人脸特征。
28.一种度量学习装置，其特征在于，包括：
基准样本提取单元，用于提取属于同一来源类别的基准客体图像训练集中各图像的客体特征，作为基准特征样本集；
比对样本提取单元，用于提取属于同一来源类别、但与所述基准客体图像分属不同来源类别的比对客体图像训练集中各图像的客体特征，作为比对特征样本集；
非对称度量模型建立单元，用于在参与比对的客体特征服从各自高斯分布的假设下，建立包含参数的非对称度量模型；
度量模型参数求解单元，用于利用上述两类特征样本集中的样本，求解所述非对称度量模型中的参数。
29.根据权利要求28所述的度量学习装置，其特征在于，所述非对称度量模型建立单元建立的度量模型包括：基于联合贝叶斯脸的非对称度量模型。
30.根据权利要求29所述的度量学习装置，其特征在于，所述度量模型参数求解单元具体用于，利用散度矩阵估算所述模型中的参数，或者，采用期望最大化算法迭代求解所述模型中的参数。
31.一种图像来源识别方法，其特征在于，包括：
采集属于不同来源类别的客体图像集，并从中提取客体特征组成训练样本集合；
利用所述训练样本集合中的客体特征样本及其来源类别，训练客体图像来源分类模型；
从待分类客体图像中提取客体特征；
以上述提取的客体特征为输入，采用所述客体图像来源分类模型识别所述待分类客体图像的来源类别。
32.根据权利要求31所述的图像来源识别方法，其特征在于，所述客体图像来源分类模型是采用如下算法训练得到的多类分类模型：
Softmax算法、多类SVM算法、或者随机森林算法。
33.根据权利要求31或32所述的图像来源识别方法，其特征在于，所述客体图像包括：人脸图像；所述客体特征包括：人脸特征。
34.一种图像来源识别装置，其特征在于，包括：
训练样本采集单元，用于采集属于不同来源类别的客体图像集，并从中提 取客体特征组成训练样本集合；
分类模型训练单元，用于利用所述训练样本集合中的客体特征样本及其来源类别，训练图像来源分类模型；
待分类特征提取单元，用于从待分类客体图像中提取客体特征；
来源类别识别单元，用于以所述待分类特征提取单元提取的客体特征为输入，采用所述客体图像来源分类模型识别所述待分类客体图像的来源类别。
35.根据权利要求34所述的图像来源识别装置，其特征在于，所述客体图像来源分类模型包括：多类分类模型；
所述分类模型训练单元具体用于，利用Softmax算法、多类SVM算法、或者随机森林算法训练所述客体图像来源分类模型。