1.一种基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，包括以下步骤：

(1)选择语音数据的语料库，将语音数据划分为语音训练集X和语音测试集Q后进行语音数据处理，并对训练语音识别模型Y进行训练和测试；

(2)选择文本数据的语料库，将文本数据划分为文本训练集N和文本测试集P后进行文本数据处理，并对训练文本情感分类模型M进行训练和测试；

(3)对于待检测的Deepfake视频，将其从视频中提取音频，然后把音频经过数据处理后输入到语音识别模型Y中，语音识别模型Y输出对应的文本，再将输出的文本经过数据处理后输入到文本情感分类模型M，得到与文本对应的情感；

(4)将待检测的Deepfake视频转换为图片帧，提取图片帧中的人脸部分，对人眼瞳孔的大小进行检测；

(5)将检测到的人眼瞳孔大小与文本情感分类模型M得到的情感进行匹配，如果不匹配，则判定是假视频；如果匹配，则判定是真视频。

2.根据权利要求1所述的基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，步骤(1)中，语音数据的语料库采用CASIA汉语情感语料库，所述的语音数据处理包括：

对语音训练集X和语音测试集Q进行滤波去除噪声，然后对语音训练集X进行语音特征参数MFCC提取。

3.根据权利要求2所述的基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，步骤(1)中，所述的语音识别模型Y采用百度开源的Deepspeech2模型，训练的损失函数采用连接主义时间分类算法CTC，CTCLoss的定义如下CTCLoss(f(x),T)＝‑logP(T|f(x))其中，y＝f(x)为输出字符的概率分布，T为对应的文本。

4.根据权利要求1所述的基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，步骤(2)中，文本数据的语料库采用NLPCC2013的中文微博数据集，所述的文本数据处理包括：

对于语音训练集X和语音测试集Q中的文本数据，先把语料转化为词向量，然后采用Google的word2vec来训练词向量，训练好词向量后建立词语到词向量的映射，通过keras的Embedding函数对文本进行词向量编码。

5.根据权利要求4所述的基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，步骤(2)中，所述的文本情感分类模型M采用卷积网络，卷积核大小为3×3，步长为1，在卷积层和最大池化层中加入了批量归一化，经过归一化后再输入到激活函数中，其中采用的激活函数为ReLU，经过二维可分离卷积提取完特征之后，将提取到的特征输入到GRU层中，经过GRU后再输入到全连接层，最采用softmax分类器进行分类。

6.根据权利要求5所述的基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，文本情感分类模型M训练的损失函数loss采用交叉熵形式，公式如下：其中，M为类别的数量，y指示变量0或1，如果该类别和样本的类别相同就是1，否则是0，pc为观测样本属于类别c的预测概率。

7.根据权利要求1所述的基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，步骤(4)的具体过程为：

用OpenCV将待检测的Deepfake视频转换为一帧一帧的图片；

用dlib工具提取图片中的人脸，然后对人眼的关键点进行检测，把人眼部分分割出来；

对人眼图片进行中值滤波，采用7×7的滤波模板，滤除正态分布的噪声；再对图像进行阈值处理，得到一张对比度不同的黑白图片；然后再对图片进行边缘检测；

对图片边缘检测后的边界信息进行freeman链码编码提取图像中的边缘，并根据边缘特征进行瞳孔边界的识别；

识别出瞳孔边界后，计算瞳孔的大小。

8.根据权利要求7所述的基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，所述的freeman链码采用8连通链码。

9.根据权利要求7所述的基于情感识别与瞳孔大小计算的Deepfake检测方法，其特征在于，采用霍夫圆拟合法进行瞳孔的拟合及其大小计算，具体为：把图像空间转换成参数空间，然后进行圆心检测，从圆心推导出圆的半径，从而完成对瞳孔大小的检测。