1.一种基于深度学习的海量人脸比对加速方法，其特征在于，所述方法包括如下步骤：

1)修改基于卷积神经网络的人脸特征提取模型结构：在原本输出为1×512的人脸特征提取网络中添加新的全连接层的分支，增加1×2的输出，每个人脸数据通过特征提取网络可以同时得到1×512的人脸特征值和1×2的二维特征值，其中512维人脸特征值仍在之后用于人脸特征比对，二维特征值在平面内进行可视化，用于之后的特征划分区域；

2)模型训练，设计损失函数如式(1)：

Loss_total＝w1×Loss_softmax+w2×Loss_arcface    (1)其中w1，w2分别为损失函数Loss_softmax和Loss_arcface的权重；

其中Loss_softmax如式(2)：

d

其中N和n分别是批尺寸和类编号，xi∈R ，d为特征维数，设置为512，代表第i个样本的d d×n n深度特征，属于yi类；Wj∈R表示权值W∈R 的第j列，bj∈R为偏置项；

其中Loss_arcface如式(3)：

其中s表示为半径为s的超球面，θ是权重W和特征x之间的夹角，m是在xi和 之间添加的一个附加的角边缘惩罚余量；

其中Loss_arcface用于提取多维特征，Loss_softmax用于提取二维特征，在模型训练的过程中，人脸多维特征提取为模型的主体，所以设计在第I个训练迭代前，使w1为0，w2为1，即Loss_total＝Loss_arcface，训练卷积神经网络和多维输出全连接层的权重参数；

当人脸特征提取训练到稳定时，取w2＞w1＞0，此时训练二维输出全连接层的权重参数；

3)根据二维平面特征分布划分区域，设定底库中注册的不同人脸的数量为N，选取中心点，根据从中心点辐射出去的角度将底库中注册的N个特征划分到m个区域内部，并将特征所在的区域编号同512维特征值一起保存于底库，用于之后的比对流程；

4)比对流程：将待测试人脸输入训练好的模型中，得到二维的特征向量和512维的特征向量，先根据二维特征值确定待测试人脸所在的特征值区域，再根据区域号检索底库中相同区域的特征，缩小512维特征值比对的范围，再对该区域内所包含的512维特征值一一进行相似度的计算；

其中相似度的计算：根据512维特征向量计算待检测特征和底库中特征之间的余弦距离，如式(4)：设两个待对比的512维向量分别为(x1,x2,......,x512)和(y1,y2,......,y512)；

5)结果输出和决策：设比对的阈值为threshold，在选定的特征值区域中筛选余弦值大于threshold的人脸数据，并进行从大到小的排序，输出余弦值计算结果最大的人脸数据，识别结果为同一人，并输出该数据的id。

2.如权利要求1所述的一种基于深度学习的海量人脸比对加速方法，其特征在于，所述步骤5)中，如在选定的特征值区域中没有找到余弦值大于threshold的人脸数据，可以根据实际对单次识别率和识别速度的要求情况，选择以下决策方式：(1)继续比对相邻两个区域内的所有特征，如仍未得到结果，则继续进行该决策方式；(2)输出识别失败，即底库中无该人脸数据。