1.一种基于新型损失函数的人脸识别卷积神经网络训练方法，其特征在于包括如下步骤：

步骤一：对需要进行人脸识别训练的人脸图像数据划分为训练样本集、测试样本集；

步骤二:将步骤一所获得的训练样本集中的人脸图像进行数据预处理，预处理包括：人脸矫正、图像尺寸大小归一化为M*N，所述人脸矫正采用MTCNN(Multi‑task convolutional neural networks)算法，MTCNN算法主要包括人脸/非人脸分类器、边界框回归、人脸关键点定位三个部分，利用获得的人眼睛关键点位置，把每个人眼睛置于同一个水平线上，实现人脸矫正；

步骤三：构建人脸识别卷积神经网络结构，该结构为数据输入层—卷积层C1—池化层P1—卷积层C2—卷积层C3—池化层P2—卷积层C4—卷积层C5—池化层P3—卷积层C6—卷积层C7—池化层P4—全连接层F1—全连接层F2—SoftMaxWithLoss层—余弦相似度损失与Center Loss结合层，所述余弦相似度损失与Center Loss结合层是将人脸特征向量之间的余弦相似度与Center Loss共同加入到损失函数计算过程中；

步骤四：将步骤二中经过数据预处理后的训练样本输入到步骤三构建的网络结构中的数据输入层进行人脸识别卷积神经网络训练，训练时的损失函数采用步骤三中SoftMaxWithLoss层的损失函数Ls、步骤三中余弦相似度损失与Center Loss结合层的损失函数Lcos_center相叠加的联合损失函数L，通过不断的对网络进行循环迭代训练使损失函数不断减小，直到完成设定的迭代次数Q；

步骤五：将步骤四训练后得到的人脸识别模型参数进行保存；

步骤六：采用步骤二中的数据预处理方法对测试样本集中的图像进行处理，将处理好的测试样本集利用步骤五中的人脸识别模型对测试样本集中的人脸图像进行特征提取，计算每两个人脸特征向量之间的余弦相似度P，设置自适应阈值T，如果相似度P大于阈值T，则判断两个人脸图像是同一个人，否则不是同一个人，得到人脸识别模型测试结果；

步骤三中SoftMaxWithLoss层的损失函数Ls和余弦相似度损失与Center Loss结合层中损失函数Lcos_center的计算公式分别为：其中θij的表达式为：

其中fi、fj的表达式为：

其中，n表示训练过程中每次迭代输入的训练样本总数；N表示训练样本的总类别数；xid d

∈R 、xj∈R 表示第i个样本在权利要求1的步骤三中全连接层F1的输出特征，d表示特征维d d d

度； 表示第i个样本的所属类别yi的类中心特征； wr∈R 、wi∈R 、wj∈R 分别表d×N

示权利要求1的步骤三中全连接层F2的权重矩阵W∈R 的第yi列、第r列、第i列、第j列，b∈N

R代表偏置项；fi、fj分别表示第i个样本和第j个样本在权利要求1的步骤三中全连接层F2的输出特征；θij代表向量fi和fj的夹角；λ1和λ2分别表示权重系数，λ1>0，λ2>0；当yi＝yj时，k＝1；当yi≠yj时，k＝0。