1.一种基于启发式高斯云变换的人脸识别方法，其特征在于：该方法包括以下步骤：

步骤1)、利用摄像头获取目标人脸图像；

步骤2)、将目标人脸图像输入到MTCNN神经网络模型中，输出一个只有五官对齐人脸切割后的正方形人脸脸框图像；

步骤3)、构造基于random_normal激活函数的神经网络模型，并定义新的人脸识别损失函数；

步骤4)、将经过MTCNN模型预处理的人脸图像数据集CASIA-WebFace对已构造的神经网络模型进行预训练，并保留训练后的模型的结构和参数；

步骤5)、将目标人脸图像与人脸数据库中人脸图像输入到步骤4)已构造的神经网络模型中，然后利用启发式高斯云变换算法得到含混度来判断人脸识别结果。

2.根据权利要求1所述的一种基于启发式高斯云变换的人脸识别方法，其特征在于：所述步骤3)中构造基于random_normal激活函数的神经网络模型，并定义新的人脸识别损失函数的过程包括：步骤3-1、搭建神经网络模型并将每一层的激活函数都设置成random_nomal；

步骤3-2、定义神经网络模型的损失函数loss。

3.根据权利要求2所述的一种基于启发式高斯云变换的人脸识别方法，其特征在于：所述的定义神经网络模型的损失函数loss的过程如下：将人脸图像输入到神经网络模型中，提取每张人脸图像的特征向量，而且每一张人脸图像的特征维度都是相同的；每次训练都从训练集中随机选取3张人脸图像，分别是人脸样本特征anchor、属于同一个人anchor的正样本positive、不属于同一个人anchor的负样本negative，将它们输入到神经网络模型后，得到所对应的特征向量；

将启发式高斯云变换算法的概念个数设置为2，把anchor样本的特征向量和positive样本的特征向量合并，然后作为算法的数据样本集，经过启发式高斯云变换得到2个高斯分布G(μk,σk)|k＝1,2；对于第k个高斯分布，计算其标准差的缩放比αk，然后计算出高斯云的含混度CDk＝(1-αk)/(1+σk)，分别为CD1、CD2；同理，把anchor样本的特征向量和negative样本的特征向量合并，然后作为算法的数据样本集输入，也得到2个含混度，分别为CD3、CD4；

对于同一个人，我们希望它们的特征向量属于同一类，也就是同一个概念，那么对应的含混度大；反之，不属于同一个概念，那么对应的含混度小；由于 我们期望 越 大 ， 越 小 ，因 此 ，在 训 练 模 型 时 ，只 要 不断 优 化的结果，使它不断接近0；因此，定义人脸识别的损失

函数loss为：

4.根据权利要求1所述的一种基于启发式高斯云变换的人脸识别方法，其特征在于：所述步骤5)中将数据库的人脸图像输入到训练好了神经网络模型中，将得到的人脸特征向量覆盖数据库中所对应的原始人脸图像，最终，得到一个由人脸特征向量组成的人脸数据库。

5.根据权利要求1所述的一种基于启发式高斯云变换的人脸识别方法，其特征在于：所述步骤5)中将目标人脸特征向量与人脸数据库中人脸图像的特征向量合并，然后通过启发式高斯云变换算法，最后得到目标图像与人脸数据库中图像的相似度。