1.一种基于领域不变特征学习的低质量伪造人脸图像检测方法，其特征在于，包括以下步骤：S1，将高质量数据集和低质量数据集输入ResNet‑50，通过ResNet‑50向前传播低质量压缩的输入图像及其对应的原始图像，ResNet‑50的Stage i提取相应的截断特征图Xi，Xi包括两个数据集的截断特征图；

所述低质量数据集为经过高度压缩的数据集，高质量数据集为原始的未经过压缩的数据集；

S2，对于ResNet‑50各个阶段的输出，使用小波分解获得两个不同分辨率数据集的高频信息；然后将获得的高频信息补偿压缩过程中被丢弃的特征；

所述使用小波分解的公式为：

其中 表示高频信息，是由横向高频信息 纵向高频信息和对角线高频信息 组成；

表示小波变换；

是 或者 分别为低质量数据集和高质量数据集的截断特征图；

(c,w,h)表示位于通道为c，宽为w的和高为h的像素点；

a和b分别是w和h的1/2；

通过将获得的高频信息补偿压缩过程中被丢弃的特征，得到特征图，特征图的具体计算公式如下：其中i表示ResNet‑50的Stage i，即ResNet‑50的第i阶段的输出；

j表示Stage i的j方向；

H,V,D分别表示水平、垂直和对角线方向；

表示 之间的距离；

表示高质量数据集Stage i的j方向的高频信息；

表示低质量数据集Stage i的j方向的高频信息；

c,a,b表示像素点的位置坐标；

C是通道数，A是宽，B是高；

S3，对ResNet‑50最后阶段的输出进行T‑SNE操作，得到高质量数据集和低质量数据集之间的特征分布，以确定伪造人脸图像和真实的图像。

2.根据权利要求1所述的一种基于领域不变特征学习的低质量伪造人脸图像检测方法，其特征在于，还包括：计算高频特征提取的损失：其中，δ和η是不同角度和尺度的向量权重参数；

ω(a,b)表示注意权重；

表示Stage i第j个方向的差分矩阵；

H,V,D分别表示水平、垂直和对角线方向；

注意权重ω(a,b)是使用四个相邻像素点的跨通道差异指数作为权重的：其中γhf表示四个相邻像素点的平均值；

C表示通道数；

表示 之间的距离， 即 即

3.根据权利要求1所述的一种基于领域不变特征学习的低质量伪造人脸图像检测方法，其特征在于，包括以下步骤：S3‑1，对ResNet‑50最后阶段输出的高质量数据集特征图和低质量数据集特征图依次通过全局平均池和全连接层后，对每个通道计算Sigmoid函数，得到每个卷积通道的Sigmoid值；

S3‑2，将得到的Sigmoid值进行T‑SNE计算，得到高质量数据集的特征图分布Praw和低质量数据集的特征图分布Pc40；

S3‑3，对Praw、Pc40求KL散度，采用KL散度来约束高质量低质量数据集分布的相似性。

4.根据权利要求3所述的一种基于领域不变特征学习的低质量伪造人脸图像检测方法，其特征在于，采用KL散度来约束高质量低质量数据集分布的相似性，定义如下：其中Lhd表示分布学习损失；

DKL(Praw,Pc40)表示对Praw,Pc40求KL散度；

Praw(xi)表示高质量数据集中第i个数据的分布；

Pc40(xi)表示低质量数据集中第i个数据的分布；

n表示一个批次数据的长度。

5.根据权利要求1所述的一种基于领域不变特征学习的低质量伪造人脸图像检测方法，其特征在于，所述方法是基于伪造人脸图像检测系统实现的，所述系统包括：ResNet‑50：提取图像中的多尺度特征；

高频不变特征学习模块hf‑IFLM：有效地检索低质量压缩图像中的伪影痕迹；

高维特征分布学习模块hd‑FDLM：引导网络学习更多的分布一致特征；

ResNet‑50各阶段输出为高频不变特征学习模块hf‑IFLM的输入，ResNet‑50最后阶段输出为高维特征分布学习模块hd‑FDLM的输入。

6.根据权利要求5所述的一种基于领域不变特征学习的低质量伪造人脸图像检测方法，其特征在于，所述系统的损失函数为分布损失：Loss＝Lcls+Lhf+LhdLcls为BCELoss，具体计算公式如下：Lcls＝‑(ylogp(x)+(1‑y)log(1‑p(x)))其中，p(x)为模型输出，y是真实标签；

其中Lhd表示分布学习损失；

DKL(Praw,Pc40)表示对Praw,Pc40求KL散度；

Praw(xi)表示高质量数据集中第i个数据的分布；

Pc40(xi)表示低质量数据集中第i个数据的分布；

n表示一个批次数据的长度；

其中，δ和η是不同角度和尺度的向量权重参数；

ω(a,b)表示注意权重；

表示Stage i第j个方向的的差分矩阵；

H,V,D分别表示水平、垂直和对角线方向。