基于多尺度深度特征融合的人脸深度篡改图像的检测方法技术

本发明专利技术属于人脸识别、深度学习与图像取证领领域，具体涉及一种基于多尺度深度特征融合的人脸深度篡改图像的检测方法、系统、装置，旨在解决人脸深度篡改图像检测方法检测准确率低的问题。本系统方法包括：获取待检测的人脸图像，作为输入图像；将输入图像进行归一化处理，并通过预训练的人脸检测模型得到检测结果；人脸检测模型基于卷积神经网络构建，其卷积层由深度卷积网络、空洞卷积网络构成。本发明专利技术提高了人脸深度篡改图像的检测率。

【技术实现步骤摘要】
基于多尺度深度特征融合的人脸深度篡改图像的检测方法
本专利技术属于人脸识别、深度学习与图像取证领域，具体涉及一种基于多尺度深度特征融合的人脸深度篡改图像的检测方法、系统、装置。
技术介绍
随着近几年人工智能技术和自动化技术的蓬勃发展，数字图像篡改技术到达一个新的高度和水平。人脸深度伪造技术最早是在2017年提出，是一种利用深度学习篡改多媒体图像或视频内容的新兴技术。不同于传统手工图像篡改方式，如通过Photoshop，GIMP等图像编辑软件手动对人脸图像的进行内容编辑，人脸深度篡改图像是通过海量的人脸图像或视频数据训练人脸深度伪造生成模型，通过模型迭代更新和图像后处理增强生成效果，使得生成效果越来越逼真，甚至可以成功欺骗人脸识别系统，对国家信息安全带来新的威胁。当前大部分的基于深度学习生成的人脸篡改图像还是以低质量图像为主，这和GAN模型本身训练不稳定有关，并且互联网上传播的人脸深度伪造信息以视频作为主要传播媒介，经过图像压缩的视频就会来带每帧图像质量的下降。这种低质量的视频有占用内存小，易于传播的特征，所以在实际情况中更占据主流。识别真假人脸图像本质上是二分类问题，深度卷积神经网络已经证明在图像分类任务上有显著的效果。当前应对人脸深度伪造问题的方法主要是通过数据驱动方式，拟合深度卷积神经网络分类器，比如用VGG16，inception_v3，Resnet50等模型。而当前分类效果和人脸生成质量有直接关系，低质量伪造图像比高质量伪造图像的检测准确率低15％左右。当前较少专门针对低质量的人脸深度篡改图像的识别的研究工作。因此，本专利技术提出一种基于多尺度深度特征融合的人脸深度篡改图像的检测方法，可有效应用于低质量的人脸深度篡改图像的检测。
技术实现思路
为了解决现有技术中的上述问题，即为了解决现有的人脸深度篡改图像检测方法检测准确率低的问题，本专利技术第一方面，提出了一种基于多尺度深度特征融合的人脸深度篡改图像的检测方法，该方法包括：步骤S100，获取待检测的人脸图像，作为输入图像；步骤S200，将所述输入图像进行归一化处理，并通过预训练的人脸检测模型得到检测结果；所述人脸检测模型基于卷积神经网络构建，其卷积层由深度卷积网络、空洞卷积网络构成；通过该模型进行检测的方法为：步骤A100，采用深度卷积网络提取归一化处理后的图像的高级语义特征，并通过空洞卷积网络进行卷积，得到多尺度的特征图；步骤A200，对多尺度的特征图进行标准化，并通过人脸检测模型的连接层进行连接，将连接后的特征图作为第一特征；步骤A300，基于所述第一特征，通过人脸检测模型的最大池化层、全连接层、非线性层得到检测结果。在一些优选的实施方式中，所述深度卷积网络其输出层为卷积核NxN的二维标准卷积层，N为正整数。在一些优选的实施方式中，步骤A100中“通过空洞卷积网络进行卷积，得到多尺度的特征图”，其方法为：通过预设的多个空洞率对高级语义特征进行ZxZ像素的卷积操作，得到多尺度的特征图；其中，Z为正整数。在一些优选的实施方式中，步骤A200中“对多尺度的特征图进行标准化”其方法为：对多尺度的特征图进行补零。在一些优选的实施方式中，所述全连接层其输出的维度为2；所述非线性层其通过Sigmoid函数进行非线性转换。在一些优选的实施方式中，所述人脸检测模型其在训练的过程中采用BP算法和交叉熵损失函数进行监督训练。本专利技术的第二方面，提出了一种基于多尺度深度特征融合的人脸深度篡改图像的检测系统，该系统包括获取模块、检测模块；所述获取模块，配置为获取待检测的人脸图像，作为输入图像；所述检测模块，配置为将所述输入图像进行归一化处理，并通过预训练的人脸检测模型得到检测结果；所述人脸检测模型基于卷积神经网络构建，其卷积层由深度卷积网络、空洞卷积网络构成；通过该模型进行检测的方法为：步骤A100，采用深度卷积网络提取归一化处理后的图像的高级语义特征，并通过空洞卷积网络进行卷积，得到多尺度的特征图；步骤A200，对多尺度的特征图进行标准化，并通过人脸检测模型的连接层进行连接，将连接后的特征图作为第一特征；步骤A300，基于所述第一特征，通过人脸检测模型的最大池化层、全连接层、非线性层得到检测结果。本专利技术的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行以实现上述的基于多尺度深度特征融合的人脸深度篡改图像的检测方法。本专利技术的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于多尺度深度特征融合的人脸深度篡改图像的检测方法。本专利技术的有益效果：本专利技术提高了人脸深度篡改图像的检测率。本专利技术通过深度卷积网络提取出高层语义特征，融合学习多尺度的低分辨图像的特征信息以获取更大感受野和空域特征的优势，可以将低分辨率的图像转变成高分辨的图像。同时，基于提取的高层语义特征，通过多通道空洞卷积神经网络结构进行多尺度特征融合，利用空洞卷积网络提高网络感受野的同时不丢失特征图信息，融合多尺度的空间特征信息，最大程度的捕捉到图像上下文信息，解决低质量人脸深度伪造篡改图片检测精度低的问题。附图说明通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。图1是本专利技术一种实施例的基于多尺度深度特征融合的人脸深度篡改图像的检测方法的流程示意图；图2是本专利技术一种实施例的基于多尺度深度特征融合的人脸深度篡改图像的检测系统的框架示意图；图3是本专利技术一种实施例的人脸检测模型的结构示意图；图4是本专利技术一种实施例的人脸检测模型训练、测试的流程示意图；图5是适于用来实现本专利技术实施例的电子设备的计算机系统的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本专利技术的基于多尺度深度特征融合的人脸深度篡改图像的检测方法，如图1所示，包括以下步骤：步骤S100，获取待检测的人脸图像，作为输入图像；步骤S200，将所述输入图像进行归一化处理，并通过预训练的人脸检测模型得到检测结果；所述人脸检测模型基于卷积神经网络构建，其卷积层由深度卷积网本文档来自技高网...

【技术保护点】
1.一种基于多尺度深度特征融合的人脸深度篡改图像的检测方法，其特征在于，该方法包括：/n步骤S100，获取待检测的人脸图像，作为输入图像；/n步骤S200，将所述输入图像进行归一化处理，并通过预训练的人脸检测模型得到检测结果；/n所述人脸检测模型基于卷积神经网络构建，其卷积层由深度卷积网络、空洞卷积网络构成；通过该模型进行检测的方法为：/n步骤A100，采用深度卷积网络提取归一化处理后的图像的高级语义特征，并通过空洞卷积网络进行卷积，得到多尺度的特征图；/n步骤A200，对多尺度的特征图进行标准化，并通过人脸检测模型的连接层进行连接，将连接后的特征图作为第一特征；/n步骤A300，基于所述第一特征，通过人脸检测模型的最大池化层、全连接层、非线性层得到检测结果。/n

【技术特征摘要】
1.一种基于多尺度深度特征融合的人脸深度篡改图像的检测方法，其特征在于，该方法包括：
步骤S100，获取待检测的人脸图像，作为输入图像；
步骤S200，将所述输入图像进行归一化处理，并通过预训练的人脸检测模型得到检测结果；
所述人脸检测模型基于卷积神经网络构建，其卷积层由深度卷积网络、空洞卷积网络构成；通过该模型进行检测的方法为：
步骤A100，采用深度卷积网络提取归一化处理后的图像的高级语义特征，并通过空洞卷积网络进行卷积，得到多尺度的特征图；
步骤A200，对多尺度的特征图进行标准化，并通过人脸检测模型的连接层进行连接，将连接后的特征图作为第一特征；
步骤A300，基于所述第一特征，通过人脸检测模型的最大池化层、全连接层、非线性层得到检测结果。


2.根据权利要求1所述的基于多尺度深度特征融合的人脸深度篡改图像的检测方法，其特征在于，所述深度卷积网络其输出层为卷积核NxN的二维标准卷积层，N为正整数。


3.根据权利要求1所述的基于多尺度深度特征融合的人脸深度篡改图像的检测方法，其特征在于，步骤A100中“通过空洞卷积网络进行卷积，得到多尺度的特征图”，其方法为：通过预设的多个空洞率对高级语义特征进行ZxZ像素的卷积操作，得到多尺度的特征图；其中，Z为正整数。


4.根据权利要求1所述的基于多尺度深度特征融合的人脸深度篡改图像的检测方法，其特征在于，步骤A200中“对多尺度的特征图进行标准化”其方法为：对多尺度的特征图进行补零。


5.根据权利要求1所述的基于多尺度深度特征融合的人脸深度篡改图像的检测方法，其特征在...

【专利技术属性】
技术研发人员：董晶，王伟，彭勃，卞明运，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11