1.一种基于姿态引导、风格和形状特征约束的人体图像生成方法，其特征在于，包括以下步骤：(1)采集获取源人体图像Is和目标人体图像It，根据源人体图像和目标人体图像分别获得其姿态图像Ps、Pt和人体语义分割图像Ss、St；姿态图像的关键点个数N＝18，人体语义分割图像的类别个数C＝8；

(2)构建生成器G和判别器DI、DP，其中，生成器G包括风格编码器Encoderstyle、姿态编码器Encoderpose、形状编码器Encodershape和解码器Decoder；判别器DI用于判别生成的虚拟目标图像If与源人体图像Os之间的纹理相似性；判别器DP用于判别生成的虚拟目标图像If与目标姿态Pt的一致性；具体步骤为：(2‑1)构建风格编码器Encoderstyle

Encoderstyle包含5个3×3卷积层和已经预训练的VGG网络，前4个卷积层提取出的特征图大小分别对应VGG中{1_1,2_1,3_1,4_1}层的特征图大小；依次组合卷积层提取的特征和VGG网络提取的特征，再输入下一个卷积层；最后一个卷积层，把特征从1024维映射到64维；

使用时，首先使用语义分割图像分割出8个独立的图像 接着把8个独立的语义图像分别输入Encoderstyle中输出对应的风格特征，最后将它们依次级联，得到最终的512维的风格特征；

(2‑2)构建姿态编码器Encoderpose和形状编码器EncodershapeEncoderpose和Encodershape的网络结构相同，都包括4个3×3卷积层，激活层为ReLU层，提取512维的姿态特征和形状特征；

(2‑3)构建解码器Decoder

以姿态特征作为输入，使用风格特征和形状特征计算归一化参数；先经过4个ResBlock，保持通道不变；接着经过3组上采样层和ResBlock层；除了最后一层激活层为tanh，其余激活层皆为ReLU层；

(2‑4)构建判别器DI、DP

使用PatchGAN作为判别器，包括4个3×3卷积层和3个残差块，判别器的Dropout设置为

0.5；

(3)将步骤(1)中得到的源人体图像Is和源人体语义分割图像Ss输入风格编码器Encoderstyle，目标姿态图像Pt输入姿态编码器Encoderpose，目标人体语义分割图像St输入形状编码器Encodershape；

把依次提取得到的风格特征、姿态特征和形状特征输入解码器Decoder中，获得虚拟目标人体图像If；

(4)把(Is,It)和(Is,If)分别作为判别器DI的输入，把(Pt,It)和(Pt,If)分别作为判别器DP的输入，分别计算对抗损失Ladv，并基于If和It计算图像重建损失Lreconstruction、感知损失Lperceptual和语义损失LCX，优化G；对抗损失函数的定义为：式中，E表示期望；

图像重建损失Lreconstruction是虚拟目标图像和真实目标图像之间的L1损失，定义为：Lreconstruction＝||G(Is,Ss,Pt,St)‑It||1图像感知损失定义为：

其中，表示格拉姆矩阵， 表示用预训练的VGG19网络提取的It的第l层特征图，l＝relu{3_2,4_2}；

语义损失LCX定义为：

式中， 表示用预训练的VGG19网络提取的If的第l层特征图；

(5)循环步骤(3)和步骤(4)，达到预设的迭代次数后，获得训练好的生成器G，并用于现实场景中虚拟目标图像的生成。

2.根据权利要求1所述的基于姿态引导、风格和形状特征约束的人体图像生成方法，其特征在于，步骤(5)中，训练过程中，学习率初始为0.0001，在1000次迭代中，线性衰减至0。