1.一种基于采样卷积的人脸关键点检测方法，其特征在于，包括以下步骤：S1、获取包含人脸的灰度图像，并利用人脸检测算法获取所述灰度图像中的人脸框；S2、准备训练集，将训练集图像中所有人脸进行普鲁克分析，得到平均人脸关键点S std ；S3、将S std 按步骤S1获取的人脸框尺寸放大后，得到初始人脸关键点S 0 ；S4、利用训练生成的网络模型更新人脸关键点S i ，得到最终的人脸关键点；其中i∈[1,It]，i表示第i次迭代，It为迭代次数，取值范围为1-10；S It 即为最终的人脸关键点；所述更新的具体步骤如下：S41、利用采样卷积算法对S i-1 处的图像进行特征提取，得到特征向量 S42、计算人脸关键点偏差ΔS i ；S43、利用所述人脸关键点偏差更新人脸关键点S i ，即S i ＝S i-1 +ΔS i ；所述步骤S41中采样卷积算法的步骤为：S411、计算采样卷积的最大扩张率d i ＝E i-1 Scale i ，其中，E i-1 表示S i-1 中两眼的距离，Scale i 表示缩放尺度，取值为0.1 i ～0.9 i ；S412、在S i-1 中的每个人脸关键点位置用m个卷积核进行扩张卷积运算，并将运算结果拼接成一维特征向量 卷积核表示为Kernel i,j,k,o ，其中，j表示第j个人脸关键点，k表示卷积核大小，其值为大于等于3的奇数，o表示扩张率 m＝10-128。
2.根据权利要求1所述的一种基于采样卷积的人脸关键点检测方法，其特征在于，步骤S4中，所述网络模型的训练过程包括：以所述步骤S2中的训练集为训练样本，所述训练集中的训练数据为灰度图像以及对应的人脸关键点S，以S n 表示第n个人脸的关键点信息；所述训练过程按照迭代次数分别训练，每次迭代的训练完成后，在此结果基础上进行下一次迭代的训练，每次训练的过程如下：S51、在所述训练集上用S std 生成初始人脸关键点数据S init ；S52、以端到端的方式依次训练第i次迭代的参数Kernel i,j,k,o 、W i 、b i ，即使用梯度下降法求 其中，Kernel i,j,k,o 表示卷积核，W i 为网络模型训练得到的权重，b i 为网络模型训练得到的偏置项，I n 表示第n个人脸图像，f i 表示第i次迭代的采样卷积和全连接运算过程，SampleNum表示训练集中人脸个数， 表示第i-1次迭代训练完成后的第n个人脸的人脸关键点信息，即
3.根据权利要求1所述的一种基于采样卷积的人脸关键点检测方法，其特征在于，步骤S42中，人脸关键点偏差ΔS i 的计算公式为：ΔS i ＝W i φ i +b i ，其中，W i 为网络模型训练得到的权重，b i 为网络模型训练得到的偏置项。
4.根据权利要求2所述的一种基于采样卷积的人脸关键点检测方法，其特征在于，步骤S51的具体步骤为：S511、利用人脸检测算法获取训练集图像中的人脸框；S512、将训练集图像中所有人脸进行普鲁克分析，得到平均人脸关键点S std ；S513、将S std 按步骤S1获取的人脸框尺寸放大后，得到初始人脸关键点S init 。
