1.一种基于中心损失和残差视觉仿真网络的人脸识别方法，其特征在于，包括：构建基于中心损失函数的残差视觉仿真网络框架；

将训练库人脸图像进行人脸检测和对齐预处理；

通过预处理后的所述训练库人脸图像对所述残差视觉仿真网络进行训练，生成残差视觉仿真网络模型；

通过所述残差视觉仿真网络模型，进行人脸识别。

2.如权利要求1所述的人脸识别方法，其特征在于，在通过所述残差视觉仿真网络模型，进行人脸识别步骤之前，所述方法还包括：将测试库人脸图像和待识别的人脸图像，进行人脸检测和对齐预处理；

通过所述残差视觉仿真网络模型，进行人脸识别，包括：将所述预处理后的测试库人脸图像和待识别的人脸图像，输入所述残差视觉仿真网络模型中，分别提取特征；

根据所述提取特征的余弦相似度，确定所述待识别的人脸图像是否与所述测试库中的人脸图像匹配。

3.如权利要求2所述的人脸识别方法，其特征在于，所述进行人脸检测和对齐预处理，为基于多任务卷积神经网络进行人脸检测和对齐预处理；

所述多任务卷积神经网络由P-Net、R-Net和O-Net，3个网络结构组成；

所述进行人脸检测和对齐预处理，包括：

通过P-Net，获得人脸区域的候选窗口和边界框的回归向量；

R-Net通过边界框回归和NMS去除误检区域；

O-Net输出5个关键点；所述5个关键点包含两只眼睛、鼻尖和两个嘴角；

根据所述两只眼睛的关键点进行图像旋转校正，使两个关键点之间连线水平，完成人脸对齐。

4.如权利要求1所述的人脸识别方法，其特征在于，所述基于中心损失函数的残差视觉仿真网络框架为：从输入图像开始依次经过卷积层Conv1，最大池化层Pool1，8个级联残差模块，最大池化层Pool2，8个级联残差模块，最大池化层Pool3，8个级联残差模块，最大池化层Pool4，全连接层Fc1，全连接层Fc2，最后连接Softmax Loss层；

所述网络框架中加入中心损失Center Loss层，连接于全连接层Fc1。

5.如权利要求4所述的人脸识别方法，其特征在于，所述残差模块由1*1卷积层，1*3卷积层，3*1卷积层构建而成，通过Eltwise层进行残差连接。

6.如权利要求4所述的人脸识别方法，其特征在于，所述Center Loss层的具体公式为：其中，m为训练批次的大小；xi是此批次中第k类的第i个样本的特征向量；ck为第k类的中心特征向量。

7.如权利要求6所述的人脸识别方法，其特征在于，所述Softmax Loss和Center Loss的加权作为最终损失函数进行后续的训练优化，计算公式为：其中，公式的前半部分为Softmax Loss函数，后半部分为Center Loss函数；N为训练数据类别总数；w为最后一个全连接层的权重集合；b为对应的偏置值；λ为Center Loss的权重值。

8.如权利要求2所述的人脸识别方法，其特征在于，所述余弦相似度的计算公式为：其中A、B是待识别图像和测试库里某一张图像的特征向量，||A||、||B||是特征向量A和B的二范数，cosine的取值范围为[-1,1]。

9.如权利要求7所述的人脸识别方法，其特征在于，根据所述提取特征的余弦相似度，确定所述待识别的人脸图像是否与所述测试库中的人脸图像匹配，包括：通过公式:

sim＝0.5+0.5×cosine  (4)将相似度范围缩小到[0,1]；其中，sim为待识别人脸图像与测试库中某一张人脸图像的最终相似度值；

计算待识别人脸图像和测试库中每一张图像的相似度，当所述相似度超过预设阈值时，则将匹配测试库中得到的图像结果输出。

10.一种基于中心损失和残差视觉仿真网络的人脸识别装置，其特征在于，包括：构建模块，用于构建基于中心损失函数的残差视觉仿真网络框架；

检测处理模块，用于将训练库人脸图像进行人脸检测和对齐预处理；

生成模块，用于将所述检测处理模块预处理后的所述训练库人脸图像对所述残差视觉仿真网络进行训练，生成残差视觉仿真网络模型；

识别模块，用于通过所述生成模块生成的残差视觉仿真网络模型，进行人脸识别。