1.人脸表情识别方法，其特征在于，包括以下步骤：
步骤1、采集人脸各标准表情图像作为训练样本进行人脸表情建模，得到人脸表情模型；
步骤2、识别时，采集人脸表情视频；
步骤3、从采集的人脸表情视频中获取到人脸表情图像；
步骤4、对获取到的人脸表情图像进行对齐调整，根据人脸标准表情图像调整人脸表情图像中人脸五官的位置，得到调整后的人脸表情图像；
步骤5、采用人脸表情模型对调整后的人脸表情图像进行识别。
2.如权利要求1所述的人脸表情识别方法，其特征在于，步骤1中，所述各标准表情图像中，包括标准喜悦表情图像、标准悲伤表情图像、标准愤怒表情图像、标准厌恶表情图像、标准惊讶表情图像、标准恐惧表情图像及标准无表情图像。
3.如权利要求1所述的人脸表情识别方法，其特征在于，步骤1中，所述各标准表情图像中，每一种表情对应的标准表情图像包括至少3000张标准表情图像。
4.如权利要求1所述的人脸表情识别方法，其特征在于，步骤1中，所述采集人脸各标准表情图像作为训练样本进行人脸表情建模，得到人脸表情模型时，采用深度学习方法。
5.如权利要求4所述的人脸表情识别方法，其特征在于，所述深度学习方法中，训练方式采用NESTEROV算法。
6.如权利要求4所述的人脸表情识别方法，其特征在于，步骤5中，所述采用人脸表情模型对调整后的人脸表情图像进行识别时，采用深度学习算法。
7.如权利要求1或2或3或4或5或6所述的人脸表情识别方法，其特征在于，步骤3包括以下步骤：
步骤301、选择人脸表情视频的第一帧图像；
步骤302、对该帧图像整帧进行人脸检测，若检测到人脸信息，进入步骤304，否则进入步骤303；
步骤303、选择人脸表情视频的下一帧图像，回到步骤302，若已无下一帧图像则本次人脸表情识别失败；
步骤304、记录人脸位于该帧图像的位置信息及人脸矩形图大小，得到人脸区域并记录；
步骤305，对人脸区域内的人脸进行光照补偿，得到人脸表情图像，进入步骤4；
步骤5中，所述采用人脸表情模型对调整后的人脸表情图像进行识别时，若识别成功则输出对应的表情代码，若识别失败则选择人脸表情视频的下一帧图像，回到步骤302。
8.如权利要求7所述的人脸表情识别方法，其特征在于，步骤4中，所述对获取到的人脸表情图像进行对齐调整之前，还对人脸表情图像进行灰度变化，得到人脸表情图像的灰度图，再对人脸表情图像的灰度图进行对齐调整。
9.如权利要求7所述的人脸表情识别方法，其特征在于，所述对人脸表情图像进行灰度变化，得到人脸表情图像的灰度图的方法为：创建一幅与人脸表情图像等宽及等高的单通道图像，将其像素值初始化为0，然后对人脸表情图像根据Gray＝R*0.299+G*0.587+B*0.114进行灰度变换后存入单通道图像中，该单通道图像作为人脸表情图像的灰度图。
10.如权利要求7所述的人脸表情识别方法，其特征在于，步骤4中，所述对获取到的人脸表情图像进行对齐调整，根据人脸标准表情图像调整人脸表情图像中人脸五官的位置，得到调整后的人脸表情图像的方法为：对获取到的人脸表情图像的灰度图进行人脸校正，检测人脸表情图像的灰度图中的五官位置，将其与标准表情图像中的五官位置进行配准，根据两眼间的连线与中垂线的角度进行校正。