1. 基于深度卷积神经网络模型的大规模人脸识别方法，其特征在于，采用基于残差学习的深度卷积神经网络模型，具体包括3个步骤：预处理图片、训练深度卷积神经网络模型、面向大规模人脸识别：
步骤1、预处理图片
（1）检测图片中的人脸；
（2）检测人脸中的5个关键点：两眼、鼻尖、两边嘴角；
（3）进行人脸对齐操作；
（4）将人脸图片大小归一化；
步骤2、训练深度卷积神经网络模型
（1）搭建基于残差学习的深度卷积神经网络模型；
（2）前向传播计算损失误差；
（3）反向传播损失误差更新模型参数；
（4）获得训练好的深度卷积神经网络模型；
步骤3、大规模人脸识别
（1）测试图片通过深度卷积神经网络模型；
（2）提取特征向量；
（3）利用特征向量进行相似度计算；
（4）输出识别结果。
2.根据权利要求1所述的大规模人脸识别方法，其特征在于，步骤2中所述基于残差学习的深度卷积神经网络模型，具体如下：
模型由卷积层、下采样层、残差层以及全连接层组成，其中，残差层由两路数据：一路是若干个卷积层级联的数据和一路原始数据相加求和构成；并且网络结构中每一个卷积层之后都做批量归一化操作；
具体的网络模型从输入层I开始，依次经过卷积层C1，卷积层C2，下采样层P1，残差层R1_1，残差层R1_2，残差层R1_3，卷积层C3，下采样层P2，残差层R2_1，残差层R2_2，残差层R2_3，残差层R2_4，卷积层C4，下采样层P3，残差层R3_1，残差层R3_2，残差层R3_3，残差层R3_4，残差层R3_5，残差层R3_6，卷积层C5，下采样层P4，残差层R4_1，残差层R4_2，残差层R4_3，最后到全连接层F1；
然后用10575个人的49万张图片作为训练数据，分批次输入搭建好的网络模型。
3.根据权利要求1或2所述的大规模人脸识别方法，其特征在于，步骤3所述面大规模人脸识别，具体操作如下：
（1）将一百万张人脸图片作为测试数据，依次输入训练好的网络模型；
（2）取网络模型中全连接层的1024个参数作为人脸图片的特征向量；
（3）利用特征向量进行相似度计算；
（4）输出识别结果。