1.一种基于余弦损失非约束条件人脸识别方法，其特征在于：它包括以下步骤，S1、获取待识别图像，对待识别图像进行多尺度变换，得到图像金字塔；

S2、将步骤S1得到的图像金字塔输入到MTCNN网络，MTCNN网络对图像进行处理后，得到面部特征点；

S3、根据步骤S2的面部特征点，进行人脸校正；

S4、利用步骤S3处理后的数据训练Inception-ResnetV1卷积神经网络，采用余弦损失函数作为监督信号，进行分类器模型的训练，得到特征提取模型，利用该特征提取模型进行人脸数据的验证与识别。

2.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述步骤S3中人脸校正如下，根据面部特征点，进行人脸倾斜的仿射变换，将人脸进行向右倾斜的公式如下：面部图像向左边倾斜公式如下：

式中的x,y表示像素点的原先坐标位置，x′,y′代表是矫正变换后的像素位置，θ1为实际关键点与中心点的旋转角。

3.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述步骤S3根据人脸关键点进行人脸校正。

4.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述步骤S4的损失函数为其中t作为超前参数，基于t＞1的条件下，数值越大，训练也越困难，其中k参数用于是否对错误分类的样本进行训练:

5.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述步骤S1中，对待识别图像采用OpenCV进行多尺度变换，得到图像金字塔。

6.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述步骤S4利用训练好的特征提取模型对需要识别的目标进行特征提取，再与数据库里的特征进行欧式距离的计算，根据阈值判断人脸目标的身份。

7.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述MTCNN网络包括P-Net，R-Net以及O-Net三个级联网络。

8.如权利要求7所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述P-Net网络对图像处理，获得脸部区域的窗口与边界Generate Bounding Box回归，对获得脸部区域窗口，经过框回归结果进行矫正，再利用非最大值抑制算法对重叠的窗口进行合并，P-Net网络用于检测候选回归框。

9.如权利要求8所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述P-Net网络的输出作为R-Net网络的输入，该网络会对框回归进行再次计算，去除掉非面部的框回归，再通过边框回归变量对结果进行检测，之后采用非最大值抑制进行框合并。

10.如权利要求9所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述R-Net网络的输出作为O-Net网络的输入，损失监督来进行检测，得到最终的人脸概率、中心点坐标及宽高和人脸关键点的定位。