1.一种信息合规检测的方法，其特征在于，包括以下步骤：S1 .从工作人员客户端接收图片并编码成图片信息，所述图片为上传的工作人员自拍照片；S2.利用人物检测模型检测图片信息中的人物信息，判断是否合规，所述人物信息包括含有完整人脸特征的人体信息，如果不合规，向客户端发送不合规信息，以便于提醒工作人员图片不合规，重新执行S1；S3.如果合规，提取得到正面人物区域图片并编码成图片信息，利用标识信息识别模型识别人物图片信息，确定人物图片信息中制服标识信息是否合规，所述制服标识信息包括制服上标记的所属单位的图像或文字标识，如果不合规，向客户端发送不合规信息，以便于提醒用户所述制服不合规；所述步骤S3中，向客户端发送不合规信息之后，响应于用户操作，若工作人员选择重新检测，则接收新图片，重新执行S1；或工作人员选择结束。其中：所述人物检测模型包括已经进行大量图片目标标注并完成训练的人物检测模型HF-ZF；所述标识信息识别模型包括已经进行大量图片分类并完成训练的标识分类模型LRM。2.根据权利要求1所述的一种信息合规检测的方法，其特征在于，接收图片并编码成图片信息，包括：对图片进行base64编码处理形成图片信息。3.根据权利要求1所述的一种信息合规检测的方法，其特征在于，利用人物检测模型检测图片信息中的人物信息，判断是否合规，方法包括：将图片信息输入到已经完成训练的人物检测模型HF-ZF；对模型输出结果进行合规判断；其中，将图片信息输入到已经完成训练的人物检测模型HF-ZF，之前还包括：获取过去一段时间内所有工作人员上传的自拍照片；根据能够观察到照片中有完整人脸的人体为原则对图片进行筛选，得到满足条件的图片若干张；在图片中标记出含有完整人脸的人体的边框并保存为相应格式的数据文件；基于Faster-RCNN模型结构的基础上，为了增加人脸特征的影响，在图片特征卷积阶段，将标注图片先resize到固定大小M*N，将固定大小后的向上四分之一区域和全部图片区域分别作为输入，进入到第一ZF卷积神经网络和第二ZF卷积神经网络，将第一ZF神经网络的第二卷积输出特征图与第二ZF神经网络的第四卷积输出特征图进行拼接完成特征融合，作为输入送入第二卷积神经网络中的第五卷积层进行特征捕捉，将第一ZF神经网络的第三卷积输出特征图与第二ZF神经网络的第五卷积输出特征图进行拼接完成特征融合，作为输入送入第二卷积神经网络中的第六卷积层进行特征捕捉；将打标完成的数据文件代入调整后的模型训练得到人物检测模型HF-ZF；其中，对模型输出结果进行合规判断，方法包括：对模型结果softmax概率输出设定阈值，只有大于该阈值的边框坐标点才输出；如果输出的边框坐标点集合的长度为1，从原始图片中按照边框坐标点提取出含有人脸特征的人体图像；如果输出的边框坐标点集合的长度不等于1，则判断为不合规，不合规类型为人物不合规。4.根据权利要求1所述的一种信息合规检测的方法，其特征在于，利用标识信息识别模型识别所述图片信息，确定图片信息中制服标识信息是否合规，包括：将图片信息输入到已经完成训练的标识分类模型LRM；对模型输出结果进行合规判断；其中，将图片信息输入到已经完成训练的标识分类模型LRM，之前还包括：获取过去一段时间内所有工作人员上传的自拍照片；利用HF-ZF对所有自拍图片进行正面人体识别提取得到的若干张图片作为样本，并将所有样本图片按照原图片的Y轴进行360度旋转处理得到新图片；将原始和旋转后的包含部分或全部制服标识信息的图片作为合规的正样本，完全不包含制服标识信息的图片作为不合规的负样本；利用迁移学习概念，保留inception-v3模型网络的卷积层参数，初始化全连接层参数，模型输出改为2，将已经分类完成的训练样本带入到模型中训练，经过设置batch，学习率和epoch数值后得到标识分类模型LRM；其中，对模型输出结果进行合规判断，方法包括：设定判断阈值；如果输出为合规标签且其概率值大于等于判断阈值，则判断为合规；如果输出为合规标签但其概率值小于判断阈值，或输出为不合规标签，则判断为制服标识信息不合规。5.根据权利要求1所述的一种信息合规检测的方法，应用于客户端，其特征在于，包括：客户端向服务器发送图片，以使得所述服务器对图片编码后利用人物检测模型和标识信息识别模型对图片进行合规判断，如果判断为不合规，向客户端发送不合规信息，所述不合规信息包括人物不合规信息和制服不合规信息；客户端接收并展示不合规信息。6.根据权利要求5所述的一种信息合规检测的方法，应用于客户端，其中，还包括：工作人员对客户端展示的不合规信息进行确认，向服务器发送新图片。7.一种信息合规检测的装置，应用于客户端，其特征在于：包括：发送模块，用于向服务器发送图片，以使得所述服务器对图片编码后利用人物检测模型和标识信息识别模型识别图片，确定是否存在不合规信息，如果存在不合规，向客户端发送不合规信息，所述不合规信息包括人物不合规信息和制服不合规信息；接收模块，用于接收并展示不合规信息；再发送模块，用户对展示的不合规信息进行确认，向服务器发送新图片。8.一种信息合规检测的客户端，其特征在于，包括：一个或多个处理器；以及存储装置，用于存储一个或多个程序；其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求5～6所述的方法。9.一种信息合规检测的装置，应用于服务器，其特征在于，包括：第一接收模块，用于接收图片；编码模块，用于对图片进行base64编码处理形成图片信息；检测模块，用于利用人物检测模型检测图片中的人物信息；第一判断模块，用于确定人物信息是否合规，所述人物信息包括含有完整人脸特征的人体信息；抽取模块，如果人物信息合规，抽取得到正面人物区域图片；第一发送模块，如果不合规，向客户端发送人物不合规信息，以便于提醒用户所述人物不合规；如果合规，将抽取得到的正面人物区域图片向编码模块发送；

识别模块，用于利用标识信息识别模型识别从编码模块得到的人物图片信息；第二判断模块，用于确定人物图片信息中制服标识信息是否合规，所述制服标识信息包括制服上标记的所属单位的图像或文字标识；第二发送模块，如果不合规，向客户端发送制服不合规信息，以便于提醒用户所述制服不合规；第二接收模块，用于响应于用户操作，接收新图片。10.根据权利要求9所述的一种信息合规检测的装置，应用于服务器，其中，还包括：获取模块，用于获取过去一段时间内所有工作人员上传的自拍照片；筛选模块，用于根据能够观察到图片中含有人脸特征的正面人物对图片进行筛选；标注模块，用于对图片中的正面人物进行标注；第一建立模块，用于基于标注的数据文件代入改进后的Faster-RCNN训练得到人物检测模型；提取模块，用于对所有自拍图片进行正面人体识别提取；分类模块，用于将提取后的正面人体原始图片和和对原始人物图片进行旋转得到的新图片进行分类成正负样本；第二建立模块，用于基于正负样本图片代入inception-v3模型中进行迁移学习建立所述标识分类模型。11.一种信息合规检测的服务器，其特征在于，包括：一个或多个处理器；以及存储装置，用于存储一个或多个程序；其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～4任意一项所述的方法。12.一种信息合规检测的计算机可读介质，其特征在于，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～6任意一项所述的方法。