1.一种基于改进损失函数的MDSSD人脸检测方法，其特征在于：包括，MDSSD网络利用先验框机制对人脸区域检测并对候选区域进行分类和框回归；根据k‑means对Ground  Truth框进行聚类分析，寻找最佳的先验框数量、大小和比例；所述MDSSD网络将Focalloss代替分类网络中的交叉熵损失函数，对聚类分析后的所述先验框进行人脸和背景的检测分类；所述MDSSD网络包括，对深层特征图或深层融合层进行0填充，结合3*3卷积对填充特征图进行反卷积运算，在保证感受野范围不变的条件下使所述特征图的分辨率翻倍；利用与浅层特征图通道维度相同的卷积核数量以保证所述反卷积运算输出维度与所述浅层融合特征图维度匹配；MDSSD特征融合时只对所述浅层特征图与反卷积特征图对应位置进行相加运算，以增强有效上下文信息；所述MDSSD通过在融合层添加激活层以进行非线性映射，并将激活后的所述融合层作为最终的检测特征图；包括，所述MDSSD网络将SSD作为基础网络模型；剔除SSD网络中Block6和Block7的dropout层；添加多层融合Mixedlayer3和单层融合Mixedlayer4和Mixedlayer7；所述MDSSD网络模型还增加了L2Normalization层以减小与检测层的差异；所述先验框机制需要考虑有效感受野，包括，卷积神经网络中层与层之间均为局部相连，使得神经元无法对原始图像的所有信息进行感知；若所述感受野越大，则获取的全局信息越多，即所述特征图所包含的全局的、高级的语义特征越丰富；若神经元感受野越小，则所述特征图所包含的特征越低级，所包含的信息更多是局部和纹理；还包括，所述先验框需要与所述Ground  Truth框进行匹配以划分正负样本；若所述先验框大小、比例与真实的所述Ground  Truth框差距越大，则计算交并比的误差越大；若所述先验框大小、比例与真实的所述Ground  Truth框差距越小，则计算交并比的误差越小。2.根据权利要求1所述的基于改进损失函数的MDSSD人脸检测方法，其特征在于：利用自定义IOU距离作为度量距离进行所述聚类分析，包括，dIOU(box,centroid)＝1‑IOU(box,centroid)聚类的损失是所述Ground  Truth框与簇中心的所述IOU距离，若所述IOU距离越小，则IOU值越大；定义簇数k并随机初始化簇中心(Wi,Hi) ,i∈{1,2,…,k}，其中，Wi,Hi分别表示簇中心的长和宽；将所述簇中心与所述Ground  Truth框中心置于坐标原点并计算每个Ground  Truth框与所述簇的所述IOU距离；对所述Ground  Truth框分配为IOU距离最小的簇，当所有的所述Ground  Truth框分配完毕后重新计算所述簇中心；不断更新直至所述簇中心不再改变，将所述簇中心的中位数作为最终的先验框大小和比例。3.根据权利要求2所述的基于改进损失函数的MDSSD人脸检测方法，其特征在于：还包括，利用肘策略确定最佳的簇数，当k＝17时，所述损失函数下降缓慢趋于平稳，综合考虑各个检测层设置，确定最佳聚类簇数为17。4.根据权利要求3所述的基于改进损失函数的MDSSD人脸检测方法，其特征在于：所述损失函数包括，其中，x为样本标签，y'为模型输出值，α为样本平衡因子，γ是样本权重调节因子。5.根据权利要求4所述的基于改进损失函数的MDSSD人脸检测方法，其特征在于：还包括，当x＝1时，即输入为正样本，则预测值越大，所述样本越容易分类，且样本权重越小。6.根据权利要求5所述的基于改进损失函数的MDSSD人脸检测方法，其特征在于：还包括，所述样本平衡因子α可以调节正负样本在损失函数中的比重，且在模型训练过程中设置α＝0.25，γ＝2。