1.一種用戶接打手機行為檢測方法，其特征在于，包括：
根據(jù)歷史圖像建立人臉和手部檢測模型；
將目標圖像輸入所述人臉和手部檢測模型進行檢測；
在檢測出所述目標圖像中同時存在人臉區(qū)域與手部區(qū)域時，判斷所述人臉區(qū)域與所述手部區(qū)域是否存在交集區(qū)域；
在所述人臉區(qū)域與所述手部區(qū)域存在交集區(qū)域時，判斷所述交集區(qū)域是否達到預設交集閾值；
在判定所述交集區(qū)域達到所述預設交集閾值時，確定所述目標圖像中的用戶存在接打手機行為。
2.根據(jù)權利要求1所述的用戶接打手機行為檢測方法，其特征在于，所述根據(jù)歷史圖像建立人臉和手部檢測模型包括：
對所述歷史圖像中的用戶未接打電話的第一歷史人臉信息、第一手部信息和用戶接打手機時的第二歷史人臉信息和第二手部信息進行標注，生成標注后的訓練樣本，所述第一、二歷史人臉信息包括人臉特征和人臉位置信息，所述第一、二歷史手部信息包括手部特征和手部位置信息；
提取所述訓練樣本的特征圖；
將所述特征圖輸入深度學習模型進行訓練，得到所述人臉和手部檢測模型。
3.根據(jù)權利要求2所述的用戶接打手機行為檢測方法，其特征在于，所述深度學習模型為卷積神經(jīng)網(wǎng)絡模型，所述提取所述訓練樣本的特征圖包括：
采用五層卷積分別提取所述訓練樣本的特征圖，其中，將第三層卷積、第四層卷積和第五層卷積對應的池化特征圖全連接。
4.根據(jù)權利要求3所述的用戶接打手機行為檢測方法，其特征在于，所述將第三層卷積、第四層卷積和第五層卷積對應的池化特征圖全連接包括：
將所述第三層卷積、第四層卷積和第五層卷積對應的池化特征圖進行歸一化處理；
將經(jīng)過行歸一化處理的所述第三層卷積、第四層卷積和第五層卷積對應的池化特征圖進行全連接。
5.根據(jù)權利要求1所述的用戶接打手機行為檢測方法，其特征在于，獲取所述預設交集閾值的步驟包括：
統(tǒng)計所述歷史圖像中的用戶在接打手機時的歷史人臉和手部的交集區(qū)域樣本；
分析所述交集區(qū)域樣本中交集區(qū)域的最小值；
將所述最小值作為所述預設交集閾值。
6.一種用戶接打手機行為檢測裝置，其特征在于，包括：
建立模塊，用于根據(jù)歷史圖像建立人臉和手部檢測模型；
檢測模塊，用于將目標圖像輸入所述人臉和手部檢測模型進行檢測；
第一判斷模塊，用于在檢測出所述目標圖像中同時存在人臉區(qū)域與手部區(qū)域時，判斷所述人臉區(qū)域與所述手部區(qū)域是否存在交集區(qū)域；
第二判斷模塊，用于在所述人臉區(qū)域與所述手部區(qū)域存在交集區(qū)域時，判斷所述交集區(qū)域是否達到預設交集閾值；
確定模塊，用于在判定所述交集區(qū)域達到所述預設交集閾值時，確定所述目標圖像中的用戶存在接打手機行為。
7.根據(jù)權利要求6所述的用戶接打手機行為檢測裝置，其特征在于，所述建立模塊包括：
標注單元，用于對所述歷史圖像中的用戶未接打電話的第一歷史人臉信息、第一手部信息和用戶接打手機時的第二歷史人臉信息和第二手部信息進行標注，生成標注后的訓練樣本，所述第一、二歷史人臉信息包括人臉特征和人臉位置信息，所述第一、二歷史手部信息包括手部特征和手部位置信息；
提取單元，用于提取所述訓練樣本的特征圖；
訓練單元，用于將所述特征圖輸入深度學習模型進行訓練，得到所述人臉和手部檢測模型。
8.根據(jù)權利要求7所述的用戶接打手機行為檢測裝置，其特征在于，所述深度學習模型為卷積神經(jīng)網(wǎng)絡模型，所述提取單元包括：
提取子單元，用于采用五層卷積分別提取所述訓練樣本的特征圖，其中，將第三層卷積、第四層卷積和第五層卷積對應的池化特征圖全連接。
9.根據(jù)權利要求8所述的用戶接打手機行為檢測裝置，其特征在于，所述將第三層卷積、第四層卷積和第五層卷積對應的池化特征圖全連接包括：
將所述第三層卷積、第四層卷積和第五層卷積對應的池化特征圖進行歸一化處理；
將經(jīng)過行歸一化處理的所述第三層卷積、第四層卷積和第五層卷積對應的池化特征圖進行全連接。
10.根據(jù)權利要求6所述的用戶接打手機行為檢測裝置，其特征在于，獲取所述預設交集閾值的步驟包括：
統(tǒng)計所述歷史圖像中的用戶在接打手機時的歷史人臉和手部的交集區(qū)域樣本；
分析所述交集區(qū)域樣本中交集區(qū)域的最小值；
將所述最小值作為所述預設交集閾值。