1.一种人脸检测模型训练方法，其特征在于，包括：

在MTCNN网络中的P‑Net的第一个卷积层后增加一个人脸属性网络分支，并在所述P‑Net的第二个卷积层和第三个卷积层之间增加一个属性信息融合层，构建得到新P‑Net，其中，所述人脸属性网络分支包括依次连接的第四个卷积层、全局平均池化层和属性预测层，所述第四个卷积层与所述属性信息融合层连接，所述第三个卷积层的输出端与人脸预测层的输入端连接；

通过人脸检测数据集分阶段训练所述新P‑Net、所述MTCNN网络中的R‑Net和O‑Net，得到训练好的所述新P‑Net、训练好的所述R‑Net和训练好的所述O‑Net，所述人脸检测数据集中的训练样本的标签信息包括人脸信息和人脸属性信息；

结合训练好的所述新P‑Net、训练好的所述R‑Net和训练好的所述O‑Net构建得到人脸检测模型；

所述新P‑Net的训练过程为：

将所述人脸检测数据集中的训练样本输入到所述所述新P‑Net，通过所述新P‑Net中的所述第一个卷积层对所述训练样本进行第一卷积处理，得到第一人脸特征图；

通过所述新P‑Net中的所述第二个卷积层对所述第一人脸特征图进行第二卷积处理，得到第二人脸特征图；

通过所述新P‑Net中的所述第四个卷积层对所述第一人脸特征图进行第三卷积处理，得到人脸属性特征图；

通过所述属性信息融合层对所述第二人脸特征图和所述人脸属性特征图进行特征融合，得到融合特征，并通过所述第三个卷积层和所述人脸预测层对所述融合特征依次进行第四卷积处理和人脸预测，得到所述训练样本对应的人脸预测结果；

通过所述全局平均池化层和所述属性预测层对所述人脸属性特征图依次进行池化处理和人脸属性预测，得到所述训练样本对应的人脸属性预测结果；

根据所述训练样本的人脸预测结果和所述标签信息中的人脸信息计算人脸损失值，根据所述训练样本的人脸属性预测结果和所述标签信息中的人脸属性信息计算属性损失值，并通过所述人脸损失值和所述属性损失值更新所述新P‑Net的网络参数，直至所述新P‑Net收敛；

所述新P‑Net还包括最大值池化层，所述最大值池化层的输入端与所述第四个卷积层的输出端连接，输出端与所述属性信息融合层的输入端连接；

相应的，所述通过所述属性信息融合层对所述第二人脸特征图和所述人脸属性特征图进行特征融合，得到融合特征，之前还包括：通过所述最大值池化层对所述所述人脸属性特征图进行最大值池化操作，得到人脸属性权重图；所述人脸属性权重图中的各像素值表示各像素位置存在人脸属性的可能性大小；

所述通过所述属性信息融合层对所述第二人脸特征图和所述人脸属性特征图进行特征融合，得到融合特征，包括：通过所述属性信息融合层对所述第二人脸特征图和人脸属性权重图进行逐点相乘运算，得到融合特征。

2.一种人脸检测方法，其特征在于，包括：

获取待检测人脸图像；

将所述待检测图像输入到人脸检测模型进行人脸检测，得到所述待检测图像的人脸检测结果，其中，所述人脸检测模型通过权利要求1所述的人脸检测模型训练方法得到。

3.一种人脸检测模型训练装置，其特征在于，包括：

第一构建单元，用于在MTCNN网络中的P‑Net的第一个卷积层后增加一个人脸属性网络分支，并在所述P‑Net的第二个卷积层和第三个卷积层之间增加一个属性信息融合层，构建得到新P‑Net，其中，所述人脸属性网络分支包括依次连接的第四个卷积层、全局平均池化层和属性预测层，所述第四个卷积层与所述属性信息融合层连接，所述第三个卷积层的输出端与人脸预测层的输入端连接；

训练单元，用于通过人脸检测数据集分阶段训练所述新P‑Net、所述MTCNN网络中的R‑Net和O‑Net，得到训练好的所述新P‑Net、训练好的所述R‑Net和训练好的所述O‑Net，所述人脸检测数据集中的训练样本的标签信息包括人脸信息和人脸属性信息；

第二构建单元，用于结合训练好的所述新P‑Net、训练好的所述R‑Net和训练好的所述O‑Net构建得到人脸检测模型；

所述新P‑Net的训练过程为：

将所述人脸检测数据集中的训练样本输入到所述所述新P‑Net，通过所述新P‑Net中的所述第一个卷积层对所述训练样本进行第一卷积处理，得到第一人脸特征图；

通过所述新P‑Net中的所述第二个卷积层对所述第一人脸特征图进行第二卷积处理，得到第二人脸特征图；

通过所述新P‑Net中的所述第四个卷积层对所述第一人脸特征图进行第三卷积处理，得到人脸属性特征图；

通过所述属性信息融合层对所述第二人脸特征图和所述人脸属性特征图进行特征融合，得到融合特征，并通过所述第三个卷积层和所述人脸预测层对所述融合特征依次进行第四卷积处理和人脸预测，得到所述训练样本对应的人脸预测结果；

通过所述全局平均池化层和所述属性预测层对所述人脸属性特征图依次进行池化处理和人脸属性预测，得到所述训练样本对应的人脸属性预测结果；

根据所述训练样本的人脸预测结果和所述标签信息中的人脸信息计算人脸损失值，根据所述训练样本的人脸属性预测结果和所述标签信息中的人脸属性信息计算属性损失值，并通过所述人脸损失值和所述属性损失值更新所述新P‑Net的网络参数，直至所述新P‑Net收敛；

所述新P‑Net还包括最大值池化层，所述最大值池化层的输入端与所述第四个卷积层的输出端连接，输出端与所述属性信息融合层的输入端连接；

相应的，所述通过所述属性信息融合层对所述第二人脸特征图和所述人脸属性特征图进行特征融合，得到融合特征，之前还包括：通过所述最大值池化层对所述所述人脸属性特征图进行最大值池化操作，得到人脸属性权重图；所述人脸属性权重图中的各像素值表示各像素位置存在人脸属性的可能性大小；

所述通过所述属性信息融合层对所述第二人脸特征图和所述人脸属性特征图进行特征融合，得到融合特征，包括：通过所述属性信息融合层对所述第二人脸特征图和人脸属性权重图进行逐点相乘运算，得到融合特征。

4.一种人脸检测装置，其特征在于，包括：

获取单元，用于获取待检测人脸图像；

检测单元，用于将所述待检测图像输入到人脸检测模型进行人脸检测，得到所述待检测图像的人脸检测结果，其中，所述人脸检测模型通过权利要求1所述的人脸检测模型训练方法得到。

5.一种电子设备，其特征在于，包括：处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1所述的人脸检测模型训练方法，或执行权利要求2所述的人脸检测方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1所述的人脸检测模型训练方法，或执行权利要求2所述的人脸检测方法。