1.一种眼部遮挡检测方法，其特征在于，包括：

从获取的脸部图像中获取眼部区域图像；

使用第一卷积神经网络对所述眼部区域图像提取特征，运算出眼部位置，使用第二卷积神经网络对所述眼部区域图像提取特征，得到所述眼部区域图像的特征图，并根据得到的眼部位置从所述特征图中获取眼部特征，使用所述第二卷积神经网络这一深层网络得到粗糙的分割结果图即注意力图，得到眼部的大概位置，然后所述第一卷积神经网络这一浅层网络只需要关注这大概位置，预测出精细的位置，不关注图像中其他部分；

对获得的眼部特征进行反卷积处理，根据反卷积处理得到的图像运算出指示眼部遮挡情况的结果，对获得的眼部特征进行反卷积处理包括：对获得的眼部特征进行反卷积处理而得到与原图像大小相同的图像，而后对得到的图像进行滑动步长为预设值的卷积处理，得到图像大小大于原图像的图像；

根据反卷积处理得到的图像运算出指示眼部遮挡情况的结果包括：对反卷积处理得到的图像提取特征，得到用于描述图像特征的特征向量；将得到的特征向量输入到预先训练好的分类器内，由所述分类器输出眼部是否遮挡的结果。

2.根据权利要求1所述的眼部遮挡检测方法，其特征在于，使用依次级联的第三卷积神经网络和第四卷积神经网络对所述脸部图像处理，从所述脸部图像中获取眼部区域图像；

所述第三卷积神经网络用于对所述脸部图像运算处理，根据所述脸部图像计算出一系列将脸部框出的边界框以及一系列将眼部框出的边界框；

所述第四卷积神经网络用于对所述脸部图像运算处理，根据所述第三卷积神经网络输出的一系列将脸部框出的边界框筛选出更准确的将脸部框出的边界框，根据所述第三卷积神经网络输出的一系列将眼部框出的边界框筛选出更准确的将眼部框出的边界框。

3.根据权利要求2所述的眼部遮挡检测方法，其特征在于，所述第三卷积神经网络包括依次级联的1个卷积池化层、卷积层和池化层，用于生成2个用于分类的特征图、4个用于边界框判断的特征图和10个用于判断脸部特征点的特征图；

所述第四卷积神经网络包括依次级联的2个卷积池化层、池化层和全连接层，用于生成

2个用于分类的特征图、4个用于边界框判断的特征图和10个用于判断脸部特征点的特征图。

4.根据权利要求2所述的眼部遮挡检测方法，其特征在于，所述第三卷积神经网络具体用于根据边界框的回归值对获得的边界框进行校准，所述第四卷积神经网络具体用于根据边界框的回归值对获得的边界框进行校准。

5.根据权利要求2所述的眼部遮挡检测方法，其特征在于，所述第三卷积神经网络具体用于使用非极大值抑制法合并重叠的边界框，所述第四卷积神经网络具体用于使用非极大值抑制法合并重叠的边界框。

6.一种眼部遮挡检测系统，其特征在于，用于执行权利要求1‑5任一项所述的眼部遮挡检测方法。