1.基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：包括以下步骤S1：将人脸图像真伪数据集合输入生成式对抗网络，进行人脸关键点提取训练，其中包括以下步骤

1)将人脸图像真伪数据集合中的一批样本数据输入全连接层；

2)将全连接层中的提取出数据输入到生成式对抗网络中进行网络训练，获得关键点位置；

3)判断关键点位置的误差是否小于设定的阈值；

4)在步骤C)中，如果判断为否，则将数据继续进行迭代运算并输入全连接层，跳转到步骤A)对样本数据继续进行网络训练；

5)在步骤C)中，如果判断为是，则将下一批样本数据输入全连接层，跳转到步骤A)对下一批样本数据进行网络训练，直至样本数量全部训练完毕；

S2：确定人脸关键点的位置信息定位，得到人脸关键局部点的位置集合，其中包括以下步骤A)将多人脸特征图像I通过第一层网络训练达到偏差估算S；

B)添加初始的图像关键点定位估算，获得第一层的关键点位置S1；

C)计算用于将输入图像归一化至规范形状的仿射矩阵T，获得校正的脸部图像T(I)以及图像关键点位置T(S1)，产生临界点热度图Ht；

D)经过多次的网络迭代训练，得到每个阶段的图像关键点位置；

E)提取出人脸的局部特征，并把图像的二维坐标点变换成多维度的特征矢量，得到人脸关键局部点的位置集合；

S3：对多人脸图像进行特征分割，得到人脸关键局部点的对应特征，其中包括以下步骤a)通过对人脸图像局部特征模糊相关特征量进行显著性检测，得到人脸图像特征的模糊集合的隶属函数；

b)利用基于多维信息的混合空间聚类算法，优化图像检测并聚类图像边缘权值，得出人脸图像局部特征的模糊性分布式特征；

c)通过模糊粗糙集，对图像分割优化，提高检测的准确率；

d)建立人脸图像的超分辨识别模型，获得面部阴影区域的特征分值，完成多人脸图像特征分割；

S4：将人脸关键局部点位置集合和对应特征输入到生成式对抗网络中，产生逼真的虚假数据，达到欺骗区分器的目的；

S5：使用径向基函数作为核函数帮助捕捉伪造特征和真实特征之间的关系，支持向量机分类模型进行伪造检测。

2.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤2)中，全连接层中的提取数据为校正后的人脸图像、关键点以及特征图。

3.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤B)中，临界点热度图Ht为式中，si是T(S1)中第i个图像关键局部点定位，(g,f)是图像像素点。

4.根据权利要求3所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤E)中，得到人脸关键局部点的位置集合为式中，n为样本图像的二维坐标个数。

5.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤a)中，进行显著性检测的迭代公式为式中，U(v)为人脸特征模糊集合的隶属函数，B为显著性指数，j是面部图像的像素特征分布函数，K是分布系数。

6.根据权利要求5所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤b)中，人脸图像局部特征的模糊性分布式特征Y以下满足公式Y＝r(1)F(v+1)q其中有

r(1)＝0,v＝1,a(1)＝0,q∈Q

式中，r为脸部图像的模糊相关特征量，v为模糊相关系数；a是初始的面部图像特征矢量，q为目前脸部图像的像素值，Q为目前脸部图像的最大像素值。

7.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤c)中，图像的信息素矩阵W为其中，Ω为模糊信息分簇结果，theta为信息矩阵的欧拉角度，并且有式中，s为图像的像素点，g(x)为图像单帧的矢量融合函数，x是图像帧数，h(s)为代表图像信息的模糊集函数。

8.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤d)中，面部阴影区域的特征分值M的计算公式为M＝Wmed(Xj‑1,…,Xj,…,Xj+1)式中，med()为图像的超分函数，X是当前图像的最大帧数。

9.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤S4中，生成器估算原始图像特征分布，通过引入随机噪音提高模型的泛化能力，从而产生逼真的虚假数据，达到欺骗区分器的目的。

10.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤S5中，使用径向基函数对核函数参数进行优化，并使用交叉验证找出实际图像分类中精确度最高的参数值，实现对支持向量机分类模型进行伪造检测。