1.一种基于双重判别生成对抗网络的人脸图像超分辨率方法，其特征在于，包括：(1)由生成对抗网络通过将残差学习和密集连接学习结合，构造密集‑残差网络；

(2)在判别网络中增加局部判别器，以判断图片的真假，其中，局部判别器和全局判别器共用部分网络结构；

(3)将生成对抗网络和判别网络的损失函数进行融合；

步骤(1)包括：

使用融合了多层残差网络和密集连接网络的RRDB网络单元替换生成对抗网络中的BN网络单元，构造密集‑残差网络；

步骤(2)包括：

由全局判别器从整体上区分真实的高分辨率人脸图像和密集‑残差网络G生成的人脸图像；

通过局部判别器从局部上区分G生成的人脸图像和真实的高分辨率人脸图像；

使用全局判别器估计真实的高分辨率人脸图像比密集‑残差网络G生成的人脸图像更真实的概率，并通过全局判别器和局部判别器的联合损失以约束密集‑残差网络G合成一个比真实的高分辨率人脸图像更真实的假图像；

全局判别器和局部判别器均包括N组由卷积层‑谱归一化层‑激活函数构成的网络结构，且全局判别器和局部判别器中N的数值不同，对于全局判别器，使用了带有最小开方损失的相对判别器；

步骤(3)包括：

生成对抗网络中基于像素域损失函数用于在像素域空间约束超分辨率图像与原始高分辨率图像的差异；判别网络中的感知损失函数用于约束生成网络中超分辨率图像在特征域空间的差异；对抗损失函数用于约束生成网络和对抗网络的对抗学习。

2.一种基于双重判别生成对抗网络的人脸图像超分辨率装置，其特征在于，包括：生成模块，用于由生成对抗网络通过将残差学习和密集连接学习结合，构造密集‑残差网络；

图像判别模块，用于在判别网络中增加局部判别器，以判断图片的真假，其中，局部判别器和全局判别器共用部分网络结构；

融合模块，用于将生成对抗网络和判别网络的损失函数进行融合；

所述生成模块，用于使用融合了多层残差网络和密集连接网络的RRDB网络单元替换生成对抗网络中的BN网络单元，构造密集‑残差网络；

所述图像判别模块，用于由全局判别器从整体上区分真实的高分辨率人脸图像和密集‑残差网络G生成的人脸图像；通过局部判别器从局部上区分G生成的人脸图像和真实的高分辨率人脸图像；使用全局判别器估计真实的高分辨率人脸图像比密集‑残差网络G生成的人脸图像更真实的概率，并通过全局判别器和局部判别器的联合损失以约束密集‑残差网络G合成一个比真实的高分辨率人脸图像更真实的假图像；

全局判别器和局部判别器均包括N组由卷积层‑谱归一化层‑激活函数构成的网络结构，且全局判别器和局部判别器中N的数值不同，对于全局判别器，使用了带有最小开方损失的相对判别器；

所述融合模块，用于生成对抗网络中基于像素域损失函数用于在像素域空间约束超分辨率图像与原始高分辨率图像的差异；判别网络中的感知损失函数用于约束生成网络中超分辨率图像在特征域空间的差异；对抗损失函数用于约束生成网络和对抗网络的对抗学习。