1.一种自适应频率感知的局部GAN生成人脸图像检测方法，其特征在于，包括如下步骤：获取人脸图像；

利用训练好的局部GAN生成人脸图像检测模型对所述人脸图像进行检测，得到局部GAN生成人脸图像检测结果；

所述局部GAN生成人脸图像检测模型包括自适应频率感知模块和检测网络；其中，所述自适应频率感知模块包括依次设置的二维离散余弦变换子模块、1个可学习的滤波器组和二维离散余弦逆变换子模块，所述可学习的滤波器组包括1个高通滤波器和1个可学习滤波器；所述检测网络通过删除Xception网络中第四至十一个残差块，并在第一至三、第十二个残差块中加入ECA注意力模块获得。

2.根据权利要求1所述的局部GAN生成人脸图像检测方法，其特征在于，利用训练好的局部GAN生成人脸图像检测模型对所述人脸图像进行检测，得到局部GAN生成人脸图像检测结果，包括：利用所述自适应频率感知模块从所述人脸图像中提取所述人脸图像的频率感知图像分量；

利用所述检测网络对所述人脸图像的频率感知图像分量进行特征提取和局部GAN生成人脸图像判断，得到局部GAN生成人脸图像检测结果。

3.根据权利要求2所述的局部GAN生成人脸图像检测方法，其特征在于，利用所述自适应频率感知模块从所述人脸图像中提取所述人脸图像的频率感知图像分量，包括：利用所述自适应频率感知模块中的二维离散余弦变换子模块对所述人脸图像进行二维离散余弦变换，得到所述人脸图像的频谱F：其中，F(u,v)表示二维离散余弦变换后频谱F的u行、v列的频谱系数，c(u)、c(v)表示补偿系数，R(i,j)表示人脸图像的i行、j列的像素值，i、j、u和v的取值范围均为0至M‑1，M为人脸图像的边长；

利用所述自适应频率感知模块中可学习的滤波器组对所述频谱F进行滤波处理，得到频率分量F′：F′＝P*F

P(u,v)＝H(u,v)+K(u,v)

K(u,v)＝σ(wu,v)

其中，P为可学习的滤波器组的掩码矩阵P，P(u,v)表示可学习的滤波器组的掩码矩阵P中第u行、第v列的权重值，H(u,v)表示高通滤波器的掩码矩阵H中第u行、第v列的权重值，K(u,v)表示可学习滤波器的掩码矩阵K中第u行、第v列的权重值，wu,v表示K(u,v)中的可学习权重值，σ()为限制函数；

利用所述自适应频率感知模块中的二维离散余弦逆变换子模块将所述频率分量F′转换回RGB空间域，得到所述人脸图像的频率感知图像分量Y：其中，Y(i,j)表示频率感知图像分量Y中i行、j列的像素值，F′(u,v)表示频率分量F′中u行、v列的频谱系数。

4.根据权利要求1所述的局部GAN生成人脸图像检测方法，其特征在于，所述检测网络包括依次设置的第一卷积层、第二卷积层、第一至第四个残差块、第一深度可分离卷积层、第二深度可分离卷积层、1个全局平均池化层以及1个全连接层；其中，第一卷积层、第二卷积层、第一深度可分离卷积层和第二深度可分离卷积层的后面分别接一个ReLU激活层；每一个残差块包含2个深度可分离卷积层、1个最大池化层和1个ECA注意力模块，所述ECA注意力模块中依次设置1个全局平均池化层、1个一维卷积层以及一个Sigmoid激活层。

5.根据权利要求3或4所述的局部GAN生成人脸图像检测方法，其特征在于，利用所述检测网络中的第一卷积层、第二卷积层、第一至第四个残差块、第一深度可分离卷积层、第二深度可分离卷积层依次对频率感知图像分量进行卷积计算，得到特征图；利用所述检测网络中的全局平均池化对第二深度可分离卷积层输出的特征图进行池化，得到池化后的特征图；利用所述检测网络中的全连接层对池化后的特征图进行全连接计算，得到一个含有两个数值的一维张量，所述两个数值的下标分别为0和1；比较所述两个数值的大小，将大的数值的下标作为检测网络的输出；当检测网络输出为0，表示人脸图像为局部GAN生成人脸图像，当检测网络输出为1，表示人脸图像为真实人脸图像。

6.根据权利要求1所述的局部GAN生成人脸图像检测方法，其特征在于，所述局部GAN生成人脸图像检测模型的训练过程如下：(1)获取人脸图像库，所述人脸图像库包括局部GAN生成人脸图像及其标签值、真实人脸图像及其标签值；

(2)将人脸图像库中的人脸图像划分为训练图像和测试图像；

(3)初始化局部GAN生成人脸图像检测模型的网络参数；

(4)将训练图像输入到局部GAN生成人脸图像检测模型中，得到训练图像对应的局部GAN生成人脸图像检测结果；

(5)根据训练图像的局部GAN生成人脸图像检测结果和训练图像的标签值，计算交叉熵损失；

(6)当交叉熵损失低于阈值时，完成训练，得到训练好的局部GAN生成人脸图像检测模型，否则返回步骤(4)。

7.根据权利要求6所述的局部GAN生成人脸图像检测方法，其特征在于，所述交叉熵损失的计算公式如下：其中，Lcross表示当前时刻局部GAN生成人脸图像检测模型输出的检测结果与标签值之间的交叉熵损失值，yR为第R个人脸图像的标签值，pR为当前时刻局部GAN生成人脸图像检测模型输出的第R个人脸图像的检测结果，n为人脸图像的总数。

8.一种自适应频率感知的局部GAN生成人脸图像检测装置，其特征在于，包括：图像获取模块，用于获取人脸图像；

图像检测模块，用于利用训练好的局部GAN生成人脸图像检测模型对所述人脸图像进行检测，得到局部GAN生成人脸图像检测结果；

在所述图像检测模块中，所述局部GAN生成人脸图像检测模型包括自适应频率感知模块和检测网络；其中，所述自适应频率感知模块包括依次设置的二维离散余弦变换子模块、

1个可学习的滤波器组和二维离散余弦逆变换子模块，所述可学习的滤波器组包括1个高通滤波器和1个可学习的滤波器；所述检测网络通过删除Xception网络中第四至十一个残差块，并在第一至三、第十二个残差块中加入ECA注意力模块获得。

9.根据权利要求8所述的局部GAN生成人脸图像检测装置，其特征在于，所述图像检测模块，具体用于：利用所述自适应频率感知模块从所述人脸图像中提取所述人脸图像的频率感知图像分量；

利用所述检测网络对所述人脸图像的频率感知图像分量进行特征提取和局部GAN生成人脸图像判断，得到局部GAN生成人脸图像检测结果。

10.根据权利要求8所述的局部GAN生成人脸图像检测装置，其特征在于，所述图像检测模块利用所述自适应频率感知模块从所述人脸图像中提取所述人脸图像的频率感知图像分量，包括：利用所述自适应频率感知模块中的二维离散余弦变换子模块对所述人脸图像进行二维离散余弦变换，得到所述人脸图像的频谱F：其中，F(u,v)表示二维离散余弦变换后频谱F的u行、v列的频谱系数，c(u)、c(v)表示补偿系数，R(i,j)表示人脸图像的i行、j列的像素值，i、j、u和v的取值范围均为0至M‑1，M为人脸图像的边长；

利用所述自适应频率感知模块中可学习的滤波器对所述频谱F进行滤波处理，得到频率分量F′：F′＝P*F

P(u,v)＝H(u,v)+K(u,v)

K(u,v)＝σ(wu,v)

其中，P为可学习的滤波器组的掩码矩阵P，P(u,v)表示可学习的滤波器组的掩码矩阵P中第u行、第v列的权重值，H(u,v)表示高通滤波器的掩码矩阵H中第u行、第v列的权重值，K(u,v)表示可学习滤波器的掩码矩阵K中第u行、第v列的权重值，wu,v表示K(u,v)中的可学习权重值，σ()为限制函数；

利用所述自适应频率感知模块中的二维离散余弦逆变换子模块将所述频率分量F′转换回RGB空间域，得到所述人脸图像的频率感知图像分量Y：其中，Y(i,j)表示频率感知图像分量Y中i行、j列的像素值，F′(u,v)表示频率分量F′中u行、v列的频谱系数。