1.一种基于卷积神经网络的二维码风格转换方法，其特征在于：包括如下步骤，步骤1：选取图片数据集作为训练集，选取指定风格图片，作为目标风格图片，使用训练集和目标风格图像训练风格转换网络；

步骤2：把内容图像输入训练好的风格网络中，输出生成图像；

步骤3：把内容图像、生成图像和风格图像输入到预训练的VGG16网络中，通过VGG16网络提取到的图片特征来设计损失函数；

步骤4：使用Adam优化器训练风格转换网络，直到损失函数收敛，停止训练；

步骤5：提高风格转换网络的内容权重，使得风格转换网络转换后的生成图像保留输入图像的内容信息；

步骤6：把嵌入了背景图片的混合二维码输入到训练好的图像转换网络中，得到艺术二维码；

步骤7：对艺术二维码的四个标准定位点进行修复，得到所需的二维码。

2.根据权利要求1所述的一种基于卷积神经网络的二维码风格转换方法，其特征在于：所述步骤1中，风格转换网络为一个深度残差网络，包含5个残差块，卷积层使用Relu非线性激活函数，所有非残差卷积层都进行空间批标准归一化，整个网络不使用池化层，网络的输入层和输出层卷积使用9*9卷积核，其余所有卷积层使用3*3卷积核。

3.根据权利要求2所述的一种基于卷积神经网络的二维码风格转换方法，其特征在于：所述风格转换网络中生成图片的风格与训练网络时选取的风格图像有关，输入的图像通过卷积层，对图像信息进行压缩和编码，提取图像的特征，利用四个残差块来构造内容结构特征，通过三个卷积块对图像进行重建，最后一层卷积使用9*9大小的卷积核，输出转换后的图片。

4.根据权利要求1所述的一种基于卷积神经网络的二维码风格转换方法，其特征在于：所述步骤3中的预训练的VGG16网络的具体过程为，VGG16网络为在ImageNet上预训练的用来提取图片特征设置损失函数的网络，在VGG16网络中，使用其中Relu2_2作为内容提取层，使用Relu1_2，Relu2_2，Relu3_3，Relu4_3作为风格提取层。

5.根据权利要求1所述的一种基于卷积神经网络的二维码风格转换方法，其特征在于：所述步骤3中设计损失函数的具体过程为：

使用VGG16网络提取出的相应特征定义内容损失函数和风格损失函数，其中内容损失函数：

这里 指的是图像转换网络输出的图像，是进行风格转换后的生成图像，同时它是损失网络的输入图像，y是图像转换网络的输入图像是内容图像，它决定着生成图像所包含的内容，选取的是Relu3_3作为特征提取层，CHW表示的是该层输出的特征图谱的形状和尺寸；

其中风格损失函数：

是图像转换网络的生成图像，s是风格图像，图片转换网络的转换风格由s决定，G(s)指的是风格图像的第j层特征图谱对应的Gram矩阵用内容损失函数和风格损失函数来定义一个总损失函数：

这里的α和β分别是内容损失和风格损失的权重。更大的α会使得转换后的图像保留更多输入图像的内容，更大的β会使得转换后的图像风格转变更加明显，与风格图片的风格更加相似。

6.根据权利要求5所述的一种基于卷积神经网络的二维码风格转换方法，其特征在于：所述步骤5中提高风格转换网络的内容权重是根据损失函数进行调节提高。