1.一种用于化妆人脸验证的多任务深度判别度量学习模型构建方法，其特征在于：所述人脸验证方法为，步骤1，建立融合Fisher判别分析的多任务深度判别度量学习模型MT-DDML-FDA；步骤2，对该模型进行求解，最终得到用于化妆人脸验证的MT-DDML-FDA模型。

2.根据权利要求1所述的一种用于化妆人脸验证的多任务深度判别度量学习模型构建方法，其特征在于：假设同时有M个任务学习，给定第m个任务的人脸图像对{(xm,i,ym,i,lm,i)|i＝1,2,...,nm,m＝1,2,...,M}，其中xm,i,ym,i∈Rd表示任一人脸图像对xm,i，lm,i表示其相应的图像对的标签，lm,i＝1说明图像xm,i和ym,i来源于同一人，lm,i＝-1说明图像xm,i和ym,i来源于不同的人。

3.根据权利要求1所述的一种用于化妆人脸验证的多任务深度判别度量学习模型构建方法，其特征在于：步骤1中，MT-DDML-FDA的第1层是所有任务的共享层，输入的人脸图像(1)xm,i在共享层的输出g (xm,i)为：

g(1)(xm,i)＝φ(W(1)xm,i+b(1))                 (5)其中W(1)和b(1)表示共享层的映射矩阵和偏移向量；

MT-DDML-FDA从第2层开始，每个人脸图像对应不同的任务，设 和 分别表示第2层第m个任务对应的映射矩阵和偏差向量，xm,i在第2层网络的输出 表示为：MT-DDML-FDA从第3层开始，前一层的输出作为后一层的输入，依照这一方式传递至最顶层，得xm,i在最顶层，即第P层，的输出 为：其中 和 分别表示最顶层第m个任务对应的映射矩阵和偏差向量，此时，人脸图像对(xm,i,ym,i)的距离度量由下式计算得到：

4.根据权利要求3所述的一种用于化妆人脸验证的多任务深度判别度量学习模型构建方法，其特征在于：在多任务深度判别度量学习的框架上考虑Fisher准则，MT-DDML-FDA定义的优化问题为：其中 和 分别为第m个任务在多任务深度判别度量学习中最顶层的类内相关矩阵和类间相关矩阵：式(10)和(11)中的qi,c和qi,b分别定义为

5.根据权利要求1所述的一种用于化妆人脸验证的多任务深度判别度量学习模型构建方法，其特征在于：步骤2中，MT-DDML-FDA的求解方法，采用反向传播方法，在训练过程的每次迭代中，根据梯度下降公式更新各层的参数，映射矩阵和偏差向量可用下式更新：其中μ是梯度下降的学习速率；

通过最小化MT-DDML-FDA的目标函数，共享层的梯度和偏差向量 和 为类似地，得第p层的第m个任务的梯度和偏差向量 和 为：对于顶层网络的参数 和 得到如下更新公式：

对于非顶层网络的参数 和 得到如下更新公

式：

其中Δ表示元素乘法运算.根据MT-DDML-FDA的输入，得到：

6.根据权利要求1所述的一种用于化妆人脸验证的多任务深度判别度量学习模型构建方法，其特征在于：最终得到的用于化妆人脸验证的MT-DDML-FDA模型，其算法如下：输入：P个任务的人脸图像，正则化参数α,β，最大迭代次数T，最大近邻数k和收敛阈值ε；

输出：映射矩阵W(1)和 偏差向量b(1)和

Step1，特征提取每对人脸图像的特征，得到P个任务的人脸图像对的特征向量表示Xk＝{(xk,i,xk,j,li,j)|k＝1,2,...,P}；

Step2，初始化所有映射矩阵和偏差向量；

Step3，从第一层到第L层使用式(7)计算 和For t＝1,2,…,T

For k＝1,2,…,P

Step 4，使用式(10)和(11)计算 和Step5，使用式(8)计算d2(xp,i,yp,i)；

Step6，从第L层到第一层使用式(14)和(15)计算 和Step7，更新映射矩阵W(1)和偏差向量b(1)；

Step8，从第2层到第L层更新映射矩阵 和偏差向量Step9，使用式(9)计算目标函数Jt；

Step10，使用W和b更新 和

End。