1.一种基于深度学习的快速人脸检索方法，其特征在于，包括如下步骤：步骤1：设计卷积神经网络结构和损失函数；

卷积神经网络以Inception‑ResNet‑v2为主要结构，以Sigmoid函数为激活函数，损失函数包括交叉熵损失函数、中心距离损失层损失函数和类间损失层损失函数；

(1)交叉熵损失函数：

交叉熵损失函数表达式如下：其中a为网络实际的输出，y为期望值；

(2)中心距离损失层损失函数：中心距离损失函数的表达式如下：其中cyi表示数据块中第yi个个体所有样本的特征中心值，xi表示该个体的某一样本的特征值；

(3)类间损失层损失函数：类间损失函数表达式如下：n m

其中，α为自定义常量，xi代表第i个个体的第n张图片，xj同理；

步骤2：通过损失函数训练卷积神经网络；

步骤3：对于检索数据库的所有图片，通过训练好的卷积神经网络计算人脸二值特征；

步骤4：根据二值特征设计哈希函数，构造哈希结构；

步骤5：对于待检索的图片，代入卷积神经网络中得到二值特征，通过LSH算法在检索数据中进行检索；

步骤6：根据步骤5中的检索结果，找到正确匹配的人脸图片，完成检索。

2.根据权利要求1所述的一种基于深度学习的快速人脸检索方法，其特征在于，所述步骤2的具体步骤为：

步骤2.1：训练数据集和数据分块选择CASIA‑WebFace人脸数据库作为训练集，随机选择10000个体，总共40万图片，首先进行对齐预处理，训练数据块大小为500，每个数据块包含12个个体，每个个体包含40个样本；

步骤2.2：交叉熵损失层训练根据每个样本对应的类别，计算交叉熵损失层损失，进行训练；

步骤2.3：中心距离损失层训练每个数据块所有样本前向传播得到Sigmoid层的特征值，再计算相同个体的特征均值，根据损失函数开始训练，并更新特征均值；

步骤2.4：类间距离损失层训练先计算所有样本传播至Sigmoid层后的特征值，然后随机选择部分不同个体样本，根据损失函数进行训练。

3.根据权利要求1所述的一种基于深度学习的快速人脸检索方法，其特征在于，所述步骤3具体为：

对检索数据库的所有图片，通过卷积神经网络计算得到128维的特征后，以0.5为阈值，将人脸特征二值化。

4.根据权利要求1所述的一种基于深度学习的快速人脸检索方法，其特征在于，所述步骤4具体为：

根据LSH算法，设计哈希函数，根据哈希函数建立特征的哈希结构。

5.根据权利要求1所述的一种基于深度学习的快速人脸检索方法，其特征在于，所述步骤5的具体流程为：

对于待检索的图片，代入卷积神经网络中得到二值特征，通过LSH算法在检索库中进行检索，根据相似度得到检索排序。

6.根据权利要求1所述的一种基于深度学习的快速人脸检索方法，其特征在于，所述步骤6的具体流程为：

步骤5最终得到了检索的相似度排序，然后找到正确匹配人脸的排序作为评价标准，完成检索。