一种基于自适应空间特征融合的图像篡改检测方法技术

一种基于自适应空间特征融合的图像篡改检测方法，它包括以下步骤：步骤1：进行数据集的构建与整理；步骤2：进行篡改检测网络的训练；步骤3：进行篡改检测网络的测试；步骤4：进行篡改图像的检测定位；本发明专利技术的目的是针对现有的图像篡改检测方法误差较大以及篡改区域定位不准确的技术问题，而提供的一种基于自适应空间特征融合的图像篡改检测方法。本发明专利技术的目的是针对现有的图像篡改检测方法误差较大以及篡改区域定位不准确的技术问题，而提供的一种基于自适应空间特征融合的图像篡改检测方法。方法。方法。

【技术实现步骤摘要】
一种基于自适应空间特征融合的图像篡改检测方法


[0001]本专利技术属于图像篡改检测领域，具体涉及一种基于自适应空间特征融合的图像篡改检测方法。

技术介绍

[0002]伴随着时代的发展，各种各样的信息传递变的越来越容易，从文字演变成图片以及视频。比起文字，人们更愿意相信图片以及视频所直接传达的内容。但由于图像处理软件的普及，越来越多的虚假图片在网络以及社会中广泛传播，对国家产生了严重的负面影响。因此，篡改检测技术的研究具有着非常重要的意义。
[0003]传统的图像篡改检测算法多以自身特性为依据，根据篡改产生的特征进行检测。Ferrara等提出利用颜色滤波阵列(CFA)算法获取图像中RGB三通道的关联性的方法，来捕获不同来源的图像之间的差异。Bianchi等提出一种利用JPEG图像压缩后产生的压缩痕迹，与初始压缩特征相比较的方法，以检测定位篡改区域。近年来随着深度学习领域的快速发展，许多的研究者尝试将深度学习应用到图像篡改检测领域当中。Zhou等提出一种基于Faster
‑
RCNN构建的双流网络方法，利用SRM滤波器将RGB流与噪声流特征进行融合，有效提升了检测效果。
[0004]但上述这些方法在实际应用过程中，普遍存在对篡改区域检测精度低，定位不准确，速度较慢的技术缺陷。且面对复杂的篡改特征，无法有效地将其提取。

技术实现思路

[0005]本专利技术的目的是针对现有的图像篡改检测方法误差较大以及篡改区域定位不准确的技术问题，而提供的一种基于自适应空间特征融合的图像篡改检测方法。
[0006]一种基于自适应空间特征融合的图像篡改检测方法，它包括以下步骤：
[0007]步骤1：进行数据集的构建与整理；
[0008]步骤2：进行篡改检测网络的训练；
[0009]步骤3：进行篡改检测网络的测试；
[0010]步骤4：进行篡改图像的检测定位；
[0011]在步骤1中，批量生成合成篡改数据集，合成篡改数据集包括一定比例的训练集与测试集；
[0012]在步骤2中，由于当前公开的图像篡改数据集样本量普遍较少，无法对神经网络进行充分训练，故首先使用合成篡改数据集对改进后的YOLOX篡改检测网络进行预训练，获得预训练模型，在预训练模型的基础上，对公开篡改数据集进行训练；
[0013]在步骤3中，使用预先划分好的测试集对训练好的网络进行测试，得到测试结果；
[0014]在步骤4中，将待检测图像输入到训练好的网络中进行检测，输出篡改区域。
[0015]通过以上步骤获得图像中篡改后的区域。
[0016]所述改进后的YOLOX篡改检测网络结构如下：
[0017]输入层
→
Focus模块
→
第一卷积模块
→
第一个CSP模块
→
第二卷积模块
→
第二个CSP模块
→
第三卷积模块
→
第三个CSP模块
→
第四卷积模块
→
SPP模块
→
第四个CSP模块
→
第五卷积模块
→
第一次上采样
→
第一个CBAM注意力模块
→
第一个CBAM注意力模块处理后得到的特征图与第三个CSP模块处理后得到的特征图进行通道融合
→
第五个CSP模块
→
第六卷积模块
→
第二次上采样
→
第二个CBAM注意力模块
→
第二个CBAM注意力模块处理后得到的特征图与第二个CSP模块处理后得到的特征图进行通道融合
→
第六个CSP模块
→
第七卷积模块
→
第一次下采样
→
第三个CBAM注意力模块
→
第三个CBAM注意力模块处理后得到的特征图与第六卷积操作后得到的特征图进行通道融合
→
第七个CSP模块
→
第八卷积模块
→
第二次下采样
→
第四个CBAM注意力模块
→
第四个CBAM注意力模块处理后得到的特征图与第五卷积操作后得到的特征图进行通道融合
→
第八个CSP模块。
[0018]所述CBAM注意力模块的结构为：
[0019]输入特征图
→
通道注意力模块
→
经通道注意力模块处理后得到的特征图与输入特征图相乘
→
通道特征图
→
空间注意力模块
→
经空间注意力模块处理后得到的特征图与通道特征图相乘
→
注意力特征图。
[0020]所述自适应空间特征融合模块的结构为：
[0021]网络中输出的三个不同大小的特征图
→
不同层次的特征图进行自适应融合
→
预测图。
[0022]在步骤2中，在进行篡改检测网络的训练时，包括以下子步骤：
[0023]步骤2
‑
1)提取篡改图像中的篡改特征；
[0024]将待检测的篡改图像输入到主干网络中，进行特征提取；主干网络采用CSPDarknet，将待检测图像输入CSPDarknet中，(CSP是CSPDarknet中的模块)，使用Focus模块对输入的特征图进行切割以实现特征图维度的扩展，之后经过三次卷积操作与CSP模块处理，增加网络深度，提升网络对于特征图中目标特征的学习能力；对经过上述处理的特征图再进行一次卷积操作，并经过SPP空间金字塔池化，将特征图转换为固定大小的特征向量，提升网络的感受野；最后再进行一次CSP模块处理，完成篡改特征的提取；
[0025]步骤2
‑
2)融合提取的篡改特征；
[0026]将提取到的篡改特征传入PANet颈部网络以进行特征融合，具体如下：PANet在FPN的基础上增加了自下向上的路径，能更充分利用底层的特征信息；在自下向上的路径中，首先将提取到的篡改特征经过一次卷积操作，再进行一次上采样，将采样后得到的特征图经CBAM注意力机制处理，处理后得到的特征图与步骤2
‑
1)中的第三个CSP模块处理后得到的特征图进行通道融合操作，得到特征图经CSP模块做处理，之后重复上述流程，将经过第二次CSP模块处理后的特征图传入自上向下的路径中，经过一次卷积操作之后，再进行一次下采样，之后将得到的特征图经CBAM注意力机制处理，处理后得到的特征图与自下向上路径中的第二个卷积操作得到的特征图进行通道融合操作，将得到的特征图经CSP模块处理，之后重复上述流程。其中，在自上向下的路径中，三个CSP模块处理后得到的特征图经过自适应特征融合模块处理后，分别得到三个特征图，将三个特征图经过特征融合处理，得到最终的预测图。
[0027]在步骤3中，包括以下子步骤：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应空间特征融合的图像篡改检测方法，其特征在于，它包括以下步骤：步骤1：进行数据集的构建与整理；步骤2：进行篡改检测网络的训练；步骤3：进行篡改检测网络的测试；步骤4：进行篡改图像的检测定位；在步骤1中，批量生成合成篡改数据集，合成篡改数据集包括一定比例的训练集与测试集；在步骤2中，首先使用合成篡改数据集对改进后的YOLOX篡改检测网络进行预训练，获得预训练模型，在预训练模型的基础上，对公开篡改数据集进行训练；在步骤3中，使用预先划分好的测试集对训练好的网络进行测试，得到测试结果；在步骤4中，将待检测图像输入到训练好的网络中进行检测，输出篡改区域；通过以上步骤获得图像中篡改后的区域。2.根据权利要求1所述的方法，其特征在于，改进后的YOLOX篡改检测网络结构如下：输入层
→
Focus模块
→
第一卷积模块
→
第一个CSP模块
→
第二卷积模块
→
第二个CSP模块
→
第三卷积模块
→
第三个CSP模块
→
第四卷积模块
→
SPP模块
→
第四个CSP模块
→
第五卷积模块
→
第一次上采样
→
第一个CBAM注意力模块
→
第一个CBAM注意力模块处理后得到的特征图与第三个CSP模块处理后得到的特征图进行通道融合
→
第五个CSP模块
→
第六卷积模块
→
第二次上采样
→
第二个CBAM注意力模块
→
第二个CBAM注意力模块处理后得到的特征图与第二个CSP模块处理后得到的特征图进行通道融合
→
第六个CSP模块
→
第七卷积模块
→
第一次下采样
→
第三个CBAM注意力模块
→
第三个CBAM注意力模块处理后得到的特征图与第六卷积操作后得到的特征图进行通道融合
→
第七个CSP模块
→
第八卷积模块
→
第二次下采样
→
第四个CBAM注意力模块
→
第四个CBAM注意力模块处理后得到的特征图与第五卷积操作后得到的特征图进行通道融合
→
第八个CSP模块。3.根据权利要求2所述的方法，其特征在于，CBAM注意力模块的结构为：输入特征图
...

【专利技术属性】
技术研发人员：刘军清，韩志奇，康维，熊小豪，余利君，
申请(专利权)人：三峡大学，
类型：发明
国别省市：