1.一种对数字图像的身份伪造识别方法，其特征在于，包括：构建训练模型；

获取待识别的第一数字图像；其中，所述待识别图像包括RGB三色的三种特征通道以及第四种特征通道；

将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；

将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别。

2.根据权利要求1所述的对数字图像的身份伪造识别方法，其特征在于，构建训练模型，具体为：获取已识别的第三数字图像；其中，所述已识别的第三数字图像为经过人工标注的翻拍图像以及活体图像；

提取所述已识别的第三数字图像的第四种特征通道；

将所述已识别的第三数字图像的第四种特征图像通道及其RGB三种特征通道进行组合，以生成第四数字图像；

将所述第四数字图像作为神经网络的输入样本，构建神经网络模型；

基于神经网络模型，将预测集准确率最高的模型作为训练模型。

3.根据权利要求2所述的对数字图像的身份伪造识别方法，其特征在于，提取所述已识别的第三数字图像第四种特征通道，具体为：将第三数字图像转化为HSV格式，并提取V通道，获得fv(x,y)；

对所述fv(x,y)做对数变换，以得到fln(x,y)；其中，fln(x,y)＝ln(fv(x,y)+esp)；

对对数变换后的函数fln(x,y)做二维傅里叶变换，以得到 其中，为二维傅里叶变换函数，shift(x,y)为二维傅里叶变换后的中心化函数， 为fln(x,y)经二维傅里叶变换并中心化后的函数；

对 构造函数

其中，D2(u,v)为频谱图 上任意一像素点距离二维平铺图中心点的欧式距离，约束条件s.t.为对图像中心化后的平铺图进行高斯函数拟合，并取分位点为0.04432；使用构造的函数 与 进行数量乘法，即 并记为对函数 做去中心化，以获得shift(x,y)的反函数shift-1(x,y)，得到函数再对得到的函数 做二维傅里叶反变换得到函数

对得到的函数ftmp(x,y)做指数函数映射，得到 其中f'(x,y)为第四种特征通道。

4.根据权利要求2所述的对数字图像的身份伪造识别方法，其特征在于，基于神经网络模型，将预测集准确率最高的模型作为训练模型，具体为：将所述第四数字图像作为神经网络的输入样本，并按8:2的形式划分为训练集与预测集；

以训练集进行训练，以迭代的形式做迭代实验，以小批量梯度下降进行优化，每次迭代前都重新打乱训练集，更改样本进入顺序，每次迭代取收敛后的预测集准确率最高的模型，并将对预测集准确率的最高一个作为训练模型。

5.根据权利要求4所述的对数字图像的身份伪造识别方法，其特征在于，将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别，具体为：将所述第二数字图像输入至训练模型中，以获得神经网络最终输出的分类结果Y＝[a,b]；其中，若b>a，则所述第一数字图片为活体拍摄图像，b≤a，则所述第一数字图片为翻拍伪造图像；a+b＝1。

6.根据权利要求5所述的对数字图像的身份伪造识别方法，其特征在于，所述第二数字图像以及所述第四数字图像尺寸均为100*100*4尺寸的图像。

7.一种对数字图像的身份伪造识别装置，其特征在于，包括：训练模型构建单元，用于构建训练模型；

第一数字图像获取单元，用于获取待识别的第一数字图像；其中，所述待识别图像包括RGB三色的三种特征通道以及第四种特征通道；

第二数字图像生成单元，用于将所述第四种特征通道与所述RGB三种特征通道进行组合，以生成第二数字图像；

身份伪造识别单元，用于将所述第二数字图像输入至训练模型中，以对数字图像的身份进行伪造识别。

8.根据权利要求7所述的对数字图像的身份伪造识别装置，其特征在于，训练模型构建单元，包括：第三数字图像获取模块，用于获取已识别的第三数字图像；其中，所述已识别的第三数字图像为经过人工标注的翻拍图像以及活体图像；

特征通道提取模块，用于提取所述已识别的第三数字图像的第四种特征通道；

第四数字图像生成模块，用于将所述已识别的第三数字图像的第四种特征图像通道及其RGB三种特征通道进行组合，以生成第四数字图像；

神经网络模型构建模块，用于将所述第四数字图像作为神经网络的输入样本，构建神经网络模型；

训练模型获取模块，用于基于神经网络模型，将预测集准确率最高的模型作为训练模型。

9.一种对数字图像的身份伪造识别设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行如权利要求1至6任意一项所述的对数字图像的身份伪造识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任意一项所述的对数字图像的身份伪造识别方法。