1.一种抗噪声数据的人脸识别模型训练方法，其特征在于，包括如下步骤：

S1、构建人脸识别数据集，按照个体ID进行分类，即同一个人的多张人脸照片作为同一个类别ID；

S2、对步骤S1所获得的数据集进行预处理，包括：人脸检测，人脸对齐，人脸裁剪，图片归一化；

S3、根据步骤S2的预处理结果，构建20层的ResNet网络结构提取特征，使用ArcFace损失函数训练人脸识别模型；

ArcFace损失函数的表达式如下：

式中，lCE表示训练的损失函数值， 表示归一化的xi∈Rd与wj∈Rd

的乘积，也就是两个特征之间的余弦距离，xj∈Rd表示一个Batch中第j个样本的输出特征，它的类别标签为yi，wi∈Rd表示输出层的权重的第i列， 表示标签对应权重与特征向量之间的余弦距离，M为一个Batch中样本数量，m、s为超参数，n表示训练集类别数；

S4、统计最近一定数量Batch中cosθ值的分布情况，以cosθ值为横坐标，同一个cosθ的数量为纵坐标，绘制曲线图P；

S5、重复步骤S4，直到cosθ分布呈现两个高斯分布，分别计算两个高斯分布顶点横坐标α、β和交点横坐标λ；

S6、根据α、β值的大小，判断模型拟合情况；

若模型拟合程度欠缺，则重复步骤S4、S5；若模型初步拟合，则暂停训练，将Arcface损失函数中的超参数m修改为动态Margin来降低噪声数据对模型训练的干扰；直到模型完全拟合，结束训练。

2.如权利要求1所述的一种抗噪声数据的人脸识别模型训练方法，其特征在于，在步骤S2中，对收集到的数据集进行预处理的具体方式如下：使用MTCNN算法进行人脸检测，得到人脸左眼、右眼、鼻尖、左嘴角、右嘴角五个特征点；然后使用五个人脸特征点对图片进行仿射变换，将图片旋转一定角度，使两眼为水平方向；再将人脸裁剪到固定的大小，然后将人脸图片的每个点的像素值先减去127.5后除以128得到归一化的人脸像素值。

3.如权利要求1所述的一种抗噪声数据的人脸识别模型训练方法，其特征在于，在步骤S5中，对cosθ值的分布情况进行统计，对处理的具体过程如下：以0.1为长度，从-1.00到1.00，以0.01为单位依次右移，若存在数γ在10次位移中内纵坐标皆为最大值，且该值大于0，则记录γ第一次出现的位置为α，表示噪声数据分布中心轴横坐标；第二次出现的位置为β，表示正常数据中心轴横坐标；若存在数γ在10次位移中内纵坐标皆为最小值且该值>0，则记录γ的值为交点λ，表示噪声数据与正常数据分布交点。

4.如权利要求1所述的一种抗噪声数据的人脸识别模型训练方法，其特征在于，在步骤S6中，动态设置Margin的方法如下：以v＝(β-α)的值作为判断模型拟合程度的依据，当噪声数据与干净数据分布能够分离时即v>0.6根据每个样本情况修改Margin值，设定方法如下：根据每个样本对应的cosθ值，按照公式(2)动态修改Margin。