1.一种基于生成式对抗网络的人脸素描图像转化为RGB图像的方法，其特征在于，包括以下步骤： 步骤1，使用CelebFaces属性数据集(CelebA)作为真实的彩色人脸图像数据来源，并对图像数据进行预处理，得到训练集A； 步骤2，构建基于生成式对抗网络的人脸素描图像转换为RGB图像的模型，包括生成模型G和判别模型D； 步骤3，将训练集A输入到基于生成式对抗网络的人脸素描图像转换为RGB图像的模型中，并采用单独交替训练方法训练生成模型与判别模型，采用监督性学习方式对生成式对抗网络模型进行训练，得到训练输出集B； 步骤4，利用条件生成式对抗网络模型的损失函数、生成器G损失函数、判别器D损失函数计算生成式对抗网络模型的损失函数，得到基于生成式对抗网络的模型最终的损失函数； 步骤5，重复步骤1，得到测试集C； 步骤6，将测试集C输入训练好的基于生成式对抗网络的模型进行测试，得到测试输出集E； 步骤7，重复步骤3,4，将训练集A进行600次迭代，用于训练模型，再重复步骤6，将测试集C进行5次迭代，得到最终的测试输出集E。 2.根据权利要求1所述的一种基于生成式对抗网络的人脸素描图像转化为RGB图像的方法，其特征在于，所述步骤1中，使用CelebFaces属性数据集(CelebA)作为真实的彩色人脸图像数据，首先利用基于深层神经网络的OpenFace人脸检测方法，截取数据集中每张图像的人脸部分，得到彩色人脸图像数据集，再利用OpenCV方法对彩色人脸图像数据集进行归一化，得到大小为256*256的目标数据集即真实的彩色人脸图像集Target，最后利用Pillow库把真实的彩色人脸图像集Target转化为素描图像，作为输入图像即人脸素描图像Input，与真实的彩色人脸图像集Target一一配对，并将Input和Target作为训练集A。 3.根据权利要求1所述的一种基于生成式对抗网络的人脸素描图像转化为RGB图像的方法，其特征在于，所述步骤2中，构建边缘增强和生成式对抗网络模型中的生成模型使用U-Net架构，由编码器和解码器组成，编码器中的第i层与解码器中第n-i层之间连通，使得解码器中的通道数变为原来的2倍；其中编码器进行下采样操作，包括8个卷积层，第一层为卷积层，卷积核为4*4，步长为2，第二层至第八层均为卷积核为4*4、步长为2的Convolution-BatchNorm-ReLU层；解码器包括8个反卷积层，进行上采样操作，8个标准化层，使反卷积后的值处于[0,1]之间，8个拼接层，用于拼接图像第3维的特征通道，最后返回Tanh函数。 4.根据权利要求1所述的一种基于生成式对抗网络的人脸素描图像转化为RGB图像的方法，其特征在于，所述步骤2中，构建边缘增强和生成式对抗网络模型中的判别模型使用PatchGAN架构，包含3个卷积核为4*4、步长为2的1个Convolution-LReLU层，3个Convolution-BatchNorm-Dropout-LReLU层和1个全连接层，其中Dropout的概率为0.5。 5.根据权利要求1所述的一种基于生成式对抗网络的人脸素描图像转化为RGB图像的方法，其特征在于，所述步骤3中，将训练集A输入到模型中，开始交替训练模型： (1)固定判别模型D，训练生成模型G，首先训练生成模型G的编码器和解码器： ①编码器训练 A1.将1张3维256*256的人脸素描图像Input输入到编码器的第1层卷积层中，得到64维128*128像素大小的编码器卷积层输出特征图； B1.将编码器第1层卷积层的输出特征图输入到编码器的第2层卷积层中，依次进行非线性LReLU变换、卷积和批标准化，得到128个64*64像素大小的编码器卷积层输出特征图； C1.将编码器第2层卷积层的输出特征图输入到生成模型的第3层卷积层中，依次进行非线性LReLU变换、卷积和批标准化，得到256个32*32像素大小的编码器卷积层输出特征图； D1.将编码器第3层卷积层的输出特征图输入到生成模型的第4层卷积层中，依次进行非线性LReLU变换、卷积和批标准化，得到512个16*16像素大小的编码器卷积层输出特征图； E1.以此类推，将编码器的第4层卷积层输出的特征图输入到第5层，将第5层卷积层的输出特征图输入到第6层，将第层6卷积层的输出特征图输入到第7层，将第7层卷积层的输出特征图输入到第8层，依次进行非线性LReLU变换、卷积、下采样和批标准化操作，分别得到512个8*8像素大小的特征图、512个4*4像素大小的特征图、512个2*2像素大小的特征图、512个1*1像素大小的特征图； ②解码器训练 A2.将512个1*1像素大小的特征图输入解码器的第1层反卷积层中，依次对其进行非线性的ReLU变换、反卷积、批标准化、Dropout操作以及第3通道的Concat操作，得到1024个2*2像素大小的解码器卷积层输出特征图； B2.将解码器第1层卷积层输出的特征图输入到解码器的第2层中，依次对其进行非线性的ReLU变换、反卷积、上采样、批标准化、Dropout操作以及第3通道的Concat操作，得到1024个4*4像素大小的解码器卷积层输出特征图； C2.将解码器第2层卷积层输出的特征图输入到解码器的第3层中，依次对其进行非线性的ReLU变换、反卷积、上采样、批标准化、Dropout操作以及第3通道的Concat操作，得到1024个8*8像素大小的解码器卷积层输出特征图； D2.将解码器第3层卷积层输出的特征图输入到解码器的第4层中，依次对其进行非线性的ReLU变换、反卷积、上采样、批标准化、Dropout操作以及第3通道的Concat操作，得到1024个16*16像素大小的解码器卷积层输出特征图； E2.以此类推，将解码器的第4层卷积层输出的特征图输入到第5层，将第5层卷积层的输出特征图输入到第6层，将第层6卷积层的输出特征图输入到第7层，将第7层卷积层的输出特征图输入到第8层，依次进行非线性ReLU变换、反卷积、批标准化以及第3通道的Concat操作，第5层到第7层分别得到512个32*32像素大小的特征图、256个64*64像素大小的特征图、128个128*128像素大小的特征图，第8层得到的是1张3维的256*256像素大小的特征图，最后返回Tanh函数； (2)固定生成模型G，训练判别模型D： A3.将一张6维256*256像素大小的彩色人脸图像输入到判别模型D的第1层卷积层中，依次对其进行卷积和非线性LReLU变换操作，得到64个128*128像素大小的判别模型D第1层卷积层输出特征图； B3.将判别模型D第1层卷积层输出的特征图输入第2层卷积层中，依次对其进行卷积、批标准化和非线性LReLU变换操作，得到128个64*64像素大小的判别模型D第2层卷积层输出特征图； C3.将判别模型D第2层卷积层输出的特征图输入第3层卷积层中，依次对其进行卷积、批标准化和非线性LReLU变换操作，得到256个32*32像素大小的判别模型D第3层卷积层输出特征图； D3.将判别模型D第3层卷积层输出的特征图输入第4层全连接层中，依次对其进行卷积、批标准化和非线性LReLU变换操作，得到512个32*32像素大小的判别模型D第4层卷积层输出特征图； E3.将判别模型D第4层卷积层输出的特征图输入第5层全连接层中，对其进行Reshape操作，调整特征图的维度，输出3维的256*256的彩色人脸图像，最后返回Sigmoid函数。 6.根据权利要求1所述的一种基于生成式对抗网络的人脸素描图像转化为RGB图像的方法，其特征在于，所述步骤4中，生成式对抗网络可以学习从随机噪声向量z到输出图像y，G的映射：G→z；而条件生成式对抗网络模型学习从观察到的图像x和随机噪声向量z到输出图像y，G的映射{x，z}→y；条件生成对抗网络模型的目标函数为： LcGAN(G,D)＝Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z)))], 其中，LcGAN(G,D)表示真实的彩色人脸图像Targrt与生成的彩色人脸图像Output之间的程度差异，E表示数学期望，logD(x,y)表示判别器对真实的彩色人脸图像Target判定为真实数据的概率，G(x,z)表示生成的彩色人脸图像Output，D(x,G(x,z))表示判别模型D对生成的彩色人脸图像Output的判别结果，log(1-D(x,G(x,z)))表示判别模型D将生成的彩色人脸图像Output判定为虚假图像的概率； 训练生成模型G使得目标函数最小化，而判别模型D使得目标函数最大化，即： 其中表示训练判别模型D时保证生成模型G部分保持不变，使得判别模型G可以准确地判别生成的彩色人脸图像Output，即使得1-D(x,G(x,z))的值接近于1，最大化Ex,y[logD(x,y)]的值； 表示训练生成模型G时保证判别模型D部分保持不变，使得生成的彩色人脸图像Output可以通过判别模型D的判断，即使得D(x,G(x,z))的值接近于1，并且最小化Ex,z[log(1-D(x,G(x,z)))]的值； 式中λ1为权重系数，用来调节生成模型G的损失函数LL1(G)的比重，从而得到更好地输出图像，LL1(G)表示真实的彩色人脸图像Target与生成的彩色人脸图像Output之间的距离，定义为： LL1(G)＝Ex,y,z[||y-G(x,z)||1], 其中y-G(x,z)表示真实的彩色人脸图像Target与生成的彩色人脸图像Output之间的差异； 同时为了测试判别模型D的重要性，设计了一个无条件变量普通GAN，目的是只让判别模型D在不观察输入图像x的情况下判断图像是否为真，其损失函数为： LcGAN(G,D)＝Ey[logD(y)]+Ex,z[log(1-D(x,z))] 综合得到的目标函数为： 其中λ1和λ2均为权重系数，分别用于调节生成图像中各损失函数的参与强度，EdgeL1(G)为图像边缘增强的损失函数。 7.根据权利要求6所述的一种基于生成式对抗网络的人脸素描图像转化为RGB图像的方法，其特征在于，基于边缘增强和生成式对抗网络模型的Adam优化算法中，模型设计了与生成模型U-Net结构相同的编码器和解码器结构，用于保存训练生成模型U-Net过程中产生的中间结果。
