1.一种实时鲁棒的人脸检测方法，其特征在于，包括以下步骤：

S1、获取要进行人脸检测的目标图像并进行预处理；

S2、建立并训练检测模型；

检测模型包括多个卷积模块、多个Inception模块、多个带残差的Inception模块及多个检测模块，第一卷积模块、第一Inception模块、第二Inception模块、第三Inception模块、第一带残差的Inception模块、第二卷积模块、第二带残差的Inception模块、第三卷积模块、第三带残差的Inception模块依次连接，第一带残差的Inception模块、第二带残差的Inception模块及第三带残差的Inception模块分别与第一检测模块、第二检测模块及第三检测模块连接，最终输出位置信息和分类信息；

S3、将目标图像输入训练好的检测模型中，分别获取指定层级上的卷积结果；

S4、对获取的卷积结果进行分类和回归；

S5、根据回归和分类结果计算出人脸的位置。

2.根据权利要求1所述的实时鲁棒的人脸检测方法，其特征在于，Inception模块是具有两条支路的通道分离卷积模块；每个Inception模块包括两条并联的支路，其中第一条支路是步长s＝2的瓶颈模块，第二条支路由一个步长s＝1的瓶颈模块和步长s＝2的瓶颈模块串联组成；两条支路的输出按照通道连接，组成整个Inception模块的输出。

3.根据权利要求2所述的实时鲁棒的人脸检测方法，其特征在于，步长s＝2的瓶颈模块对输入依次进行带激活函数的卷积操作、通道分离卷积操作和线性卷积操作，其中，通道分离卷积的步长设为2；步长s＝1的瓶颈模块对输入依次进行带激活函数的卷积操作、通道分离卷积操作和线性卷积操作后，再与输入相加，得到最终瓶颈模块的输出。

4.根据权利要求1所述的实时鲁棒的人脸检测方法，其特征在于，带残差的Inception模块是带残差连接的多支路通道分离卷积模块；每个带残差的Inception模块具有四条支路，其中三条支路分别由不同数量的卷积串联形成，第四条支路直接与前三条支路的输出结果对应元素相加，作为整个带残差的Inception模块的最终输出。

5.根据权利要求4所述的实时鲁棒的人脸检测方法，其特征在于，带残差的Inception模块中，三条带卷积的支路均首先进行1x1的卷积，调整通道数量，然后再分别串联上若干数量核卷积。

6.根据权利要求5所述的实时鲁棒的人脸检测方法，其特征在于，三条带卷积的支路在进行1x1的卷积后，分别串联上0个、1个和2个卷积核，所串联的卷积核大小为3x3。

7.根据权利要求1所述的实时鲁棒的人脸检测方法，其特征在于，所述第一卷积模块的输出通道为32，第二卷积模块的输出通道为128，第三卷积模块的输出通道为256；第一Inception模块的输出通道为32，第二Inception模块的输出通道为64，第三Inception模块的输出通道为128。

8.根据权利要求1所述的实时鲁棒的人脸检测方法，其特征在于，检测模型的训练过程为：将训练图片输入检测模型，获取检测结果后计算检测结果与真实值的差距，使用随机梯度下降和反向传播的方法调整检测模型的参数，逐步缩小检测结果与真实值的差距。

9.根据权利要求8所述的实时鲁棒的人脸检测方法，其特征在于，检测模型的训练过程包括如下步骤：a.将训练集中的图片调整到神经网络制定的尺寸，然后进行数据增强处理；

b.在检测模块对应的几个特征层上设置先验框，使先验框与训练集图片上人脸的真实标签相匹配，成功匹配的先验框设置为正样本，不能成功匹配的先验框则是负样本；

c.将损失函数定义为位置误差函数与分类误差函数的加权和，使用该损失函数训练检测模型。