本发明专利技术公开了基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法。该方法包括以下步骤：S1：将人脸图像真伪数据集合输入生成式对抗网络，进行人脸关键点提取训练；S2：确定人脸关键点的位置信息定位，得到人脸关键局部点的位置集合；S3：对多人脸图像进行特征分割，得到人脸关键局部点的对应特征；S4：将人脸关键局部点位置集合和对应特征输入到生成式对抗网络中，产生逼真的虚假数据，达到欺骗区分器的目的；S5：使用径向基函数作为核函数帮助捕捉伪造特征和真实特征之间的关系，支持向量机分类模型进行伪造检测。该方法能够在较少计算量的同时实现人脸伪造特征点定位，精准检测出人脸图像局部伪造特征，适用于多角度人脸图像伪造检测。
【技术实现步骤摘要】
本专利技术涉及图像检测领域，特别涉及一种基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法。
技术介绍
1、人脸图像伪造检测技术是以真实人脸图像和伪造人脸图像的统计分布差异、图像拼接引起的篡改痕迹和产生的图像的真实性等问题作为鉴定依据。人脸伪造可以在电影、电视等创作中得到运用，提升创作的观赏性。但是，人脸伪造技术的恶意应用，不但会对用户的肖像权、名誉权造成严重的伤害，还会给政治、经济带来巨大的危害。因此，研究人脸图像伪造检测方法，具有很大的实际应用价值。
2、有的现有技术的中人脸图像伪造检测方法中，有的将非监督时序异常检测的思路引入到人脸伪造视频检测中，并将其转化为非监督的异常检测问题；再利用多粒度信息，如偏移、局部和时间等，从检测的视频中重建出一系列的人脸特征点；最后，得出原序列和重建序列的误差，通过峰值频率和重建误差的积分，实现了对人脸伪造视频的自动检测。
3、有的设计基于胶囊检测法的伪造人脸检测方法。利用局部xception网络进行特征抽取，减少模型参数；在主体中，引入具有注意力机制的胶囊结构，实现对面部的精确定位；采用合成多维焦点为代价函数，提升人脸伪造的检测能力。
4、有的提出了一种利用局部相关性表达进行多模态反差的方法，以实现对人脸伪造的有效检测。通过浅层风格表达的方法，度量层次之间的相关性来实现对图像的局部风格信息的编码，从而提高了图像在空域的判别性。利用幅度与相位的互补特性，研究基于分块幅度与相位的双注意模型，在频率域内捕获局部相关性的不一致性，从而实现对人脸伪造的检测。</p>5、有的提出一种新型的逆向残差混排方法对人脸进行识别。通过逆向残差混排方法，降低网络中的参数，降低计算量；经过学习损耗函数，实现了在复杂背景及光照条件下人脸的检测与识别。
6、但是，随着伪造技术的不断发展，现有的检测算法难以实现对伪造数据的实时处理。而如何在获得较少的伪造数据的情况下，适应不断变化的伪造技术，不断地更新和优化检测模型，是当前迫切需要解决的关键问题。
技术实现思路
1、为解决上述问题，本专利技术提供了基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其能够在较少计算量的同时实现人脸伪造特征点定位，精准检测出人脸图像局部伪造特征，提高了检测的通用性，适用于多角度人脸图像伪造检测。
2、根据本专利技术的一个方面，提供了基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，包括以下步骤
3、s1：将人脸图像真伪数据集合输入生成式对抗网络，进行人脸关键点提取训练，其中包括以下步骤
4、1)将人脸图像真伪数据集合中的一批样本数据输入全连接层；
5、2)将全连接层中的提取出数据输入到生成式对抗网络中进行网络训练，获得关键点位置；
6、3)判断关键点位置的误差是否小于设定的阈值；
7、4)在步骤c)中，如果判断为否，则将数据继续进行迭代运算并输入全连接层，跳转到步骤a)对样本数据继续进行网络训练；
8、5)在步骤c)中，如果判断为是，则将下一批样本数据输入全连接层，跳转到步骤a)对下一批样本数据进行网络训练，直至样本数量全部训练完毕；
9、s2：确定人脸关键点的位置信息定位，得到人脸关键局部点的位置集合，其中包括以下步骤
10、a)将多人脸特征图像i通过第一层网络训练达到偏差估算s；
11、b)添加初始的图像关键点定位估算，获得第一层的关键点位置s1；
12、c)计算用于将输入图像归一化至规范形状的仿射矩阵t，获得校正的脸部图像t(i)以及图像关键点位置t(s1)，产生临界点热度图ht；
13、d)经过多次的网络迭代训练，得到每个阶段的图像关键点位置；
14、e)提取出人脸的局部特征，并把图像的二维坐标点变换成多维度的特征矢量，得到人脸关键局部点的位置集合；
15、s3：对多人脸图像进行特征分割，得到人脸关键局部点的对应特征，其中包括以下步骤
16、a)通过对人脸图像局部特征模糊相关特征量进行显著性检测，得到人脸图像特征的模糊集合的隶属函数；
17、b)利用基于多维信息的混合空间聚类算法，优化图像检测并聚类图像边缘权值，得出人脸图像局部特征的模糊性分布式特征；
18、c)通过模糊粗糙集，对图像分割优化，提高检测的准确率；
19、d)建立人脸图像的超分辨识别模型，获得面部阴影区域的特征分值，完成多人脸图像特征分割；
20、s4：将人脸关键局部点位置集合和对应特征输入到生成式对抗网络中，产生逼真的虚假数据，达到欺骗区分器的目的；
21、s5：使用径向基函数作为核函数帮助捕捉伪造特征和真实特征之间的关系，支持向量机分类模型进行伪造检测。
22、在一些实施方式中，在步骤2)中，全连接层中的提取数据为校正后的人脸图像、关键点以及特征图。其有益之处在于，描述了全连接层中的提取数据的具体内容。
23、在一些实施方式中，在步骤b)中，临界点热度图ht为：
24、
25、式中，si是t(s1)中第i个图像关键局部点定位，(g,f)是图像像素点。其有益之处在于，描述了临界点热度图的表达公式。
26、在一些实施方式中，在步骤e)中，得到人脸关键局部点的位置集合为：
27、
28、式中，n为样本图像的二维坐标个数。其有益之处在于，描述了到人脸关键局部点的位置集合的表达公式。
29、在一些实施方式中，在步骤a)中，进行显著性检测的迭代公式为
30、
31、式中，u(v)为人脸特征模糊集合的隶属函数，b为显著性指数，j是面部图像的像素特征分布函数，k是分布系数。其有益之处在于，描述了进行显著性检测的迭代公式。
32、在一些实施方式中，在步骤b)中，人脸图像局部特征的模糊性分布式特征y以下满足公式：
33、y＝r(1)f(v+1)q
34、其中有：
35、r(1)＝0,v＝1,a(1)＝0,q∈q
36、式中，r为脸部图像的模糊相关特征量，v为模糊相关系数；a是初始的面部图像特征矢量，q为目前脸部图像的像素值，q为目前脸部图像的最大像素值。其有益之处在于，描述了人脸图像局部特征的模糊性分布式特征的计算公式。
37、在一些实施方式中，在步骤c)中，图像的信息素矩阵w为：
38、
39、其中，ω为模糊信息分簇结果，theta为信息矩阵的欧拉角度，并且有
40、
41、式中，s为图像的像素点，g(x)为图像单帧的矢量融合函数，x是图像帧数，h(s)为代表图像信息的模糊集函数。其有益之处在于，描述了图像的信息素矩阵以及模糊信息分簇结果的计算公式。
42、在一些实施方式中，在步骤d)中，面部阴影区域的特征分值m的计算公式为本文档来自技高网
...
【技术保护点】
1.基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：包括以下步骤
2.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤2)中，全连接层中的提取数据为校正后的人脸图像、关键点以及特征图。
3.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤B)中，临界点热度图Ht为
4.根据权利要求3所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤E)中，得到人脸关键局部点的位置集合为
5.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤a)中，进行显著性检测的迭代公式为
6.根据权利要求5所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤b)中，人脸图像局部特征的模糊性分布式特征Y以下满足公式
7.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤c)中，图像的信息素矩阵W为
8.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤d)中，面部阴影区域的特征分值M的计算公式为
9.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤S4中，生成器估算原始图像特征分布，通过引入随机噪音提高模型的泛化能力，从而产生逼真的虚假数据，达到欺骗区分器的目的。
10.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤S5中，使用径向基函数对核函数参数进行优化，并使用交叉验证找出实际图像分类中精确度最高的参数值，实现对支持向量机分类模型进行伪造检测。
...
【技术特征摘要】
1.基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：包括以下步骤
2.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤2)中，全连接层中的提取数据为校正后的人脸图像、关键点以及特征图。
3.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤b)中，临界点热度图ht为
4.根据权利要求3所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤e)中，得到人脸关键局部点的位置集合为
5.根据权利要求1所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤a)中，进行显著性检测的迭代公式为
6.根据权利要求5所述的基于生成式对抗网络的多人脸图像局部伪造特征智能检测方法，其特征在于：在步骤b)中，人脸...
【专利技术属性】
技术研发人员：朱振刚，郁葱，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。