【技术实现步骤摘要】
本专利技术涉及人工智能领域，尤其涉及一种基于深度学习的图像篡改检测方法及装置。
技术介绍
1、现有一种图像篡改检测方法包括：将每张输入图片进行增强得到一组同源图片；对每张图片进行自适应亮度对比度调整；将一组经过调整的同源图片经过训练好的一个机器学习模型，每张图片得到一张输出概率图；每张输出概率图中，每个像素的取值表征该张同源图片中的该像素为篡改像素的概率；将每张同源图片对应的每张输出概率图经过得到该同源图片时相反的操作恢复为原始形态，将一组恢复原始形态的输出概率图中的相同像素的取值求均值，所有被判定为该组同源图片整体的篡改像素的像素集合就作为进行测试时增强之前的每张输入图片定位出的篡改区域。该种图像篡改检测定位方法需要在测试时进行图像增强得到一组同源图像，还需要对每一张进行自适应亮度对比度调整，过程较为繁琐且鲁棒性不足，而且只使用了图像的rgb像素信息，对于图像篡改这种取证技术来说利用的信息不充分。
2、现有另一种图像篡改检测方法包括：提取待检测图像的空域特征信息和频域特征信息，将空域特征信息以及频域特征信息输入第一图像篡改检测网络，得到第一候选篡改区域；提取待检测图像的边缘特征信息，计算待检测图像中每一像素属于篡改区域的概率值，将待检测图像中概率值大于对应的概率阈值的区域确定为第二候选篡改区域；将空域特征信息、频域特征信息与边缘特征信息输入第二图像篡改检测网络，得到第三候选篡改区域；根据第一候选篡改区域、第二候选篡改区域以及第三候选篡改区域中的至少两项，确定待检测图像的篡改区域。该种图像篡改检测方法需要将输入图片中
技术实现思路
1、本专利技术用于解决现有图像篡改检测方法存在过程繁琐及鲁棒性不足的问题。
2、为了解决上述技术问题，本专利技术第一方面提供一种图像篡改检测模型建立方法，包括：
3、构建包括rgb特征提取模块、伪迹学习模块、伪迹特征提取模块、特征融合模块及分割模块的图像篡改检测模型，所述rgb特征提取模块用于根据图像提取rgb特征，所述伪迹学习模块用于根据图像的量化表及图像的y通道dct系数确定dct特征，所述伪迹特征提取模块用于从所述dct特征中提取伪迹特征，所述特征融合模块用于对rgb特征及伪迹特征进行融合处理得到融合特征，所述分割模块用于根据融合特征生成表示图像篡改信息的热力图；
4、获取样本集，样本集包括多对样本，每对样本包括存在篡改的图像及表示图像篡改区域的掩模图像；
5、通过动态控制图像压缩质量因子以从所述样本集中获取并构建训练样本，利用所述训练样本训练所述图像篡改检测模型。
6、作为本专利技术进一步实施例中，通过动态控制图像压缩质量因子以从所述样本集中获取并构建训练样本，利用所述训练样本训练所述图像篡改检测模型，包括：
7、根据当前训练步数确定图像压缩质量因子；
8、根据所述图像压缩质量因子，从所述样本集中获取并构建训练样本；
9、利用所述训练样本训练所述图像篡改检测模型，并更新当前训练步数；
10、检测所述图像篡改检测模型是否达到预设精度；
11、若否，则继续执行根据当前训练步数确定图像压缩质量因子及其之后的步骤；
12、若是，则存储最后得到的图像篡改检测模型。
13、作为本专利技术进一步实施例中，所述根据当前训练步数确定图像压缩质量因子，包括：
14、根据当前训练步数，确定图像压缩质量因子的选择范围，所述选择范围随着当前训练步数的增大而增大；
15、从所述选择范围中动态选择所述图像压缩质量因子。
16、作为本专利技术进一步实施例中，根据当前训练步数，确定图像压缩质量因子的选择范围，包括：
17、所述选择范围为(max-s/t,max)，其中，s表示当前训练步数，t表示预设常数，max表示最大图像压缩质量因子。
18、作为本专利技术进一步实施例中，所述rgb特征提取模块采用四层向下采样的高分辨率网络，所述伪迹特征提取模块采用三层向下采样的高分辨率网络；
19、所述特征融合模块用于对rgb特征提取模块和伪迹特征提取模块中同尺寸的特征进行融合处理、对各尺寸融合后的特征进行向上采样及拼接处理得到融合特征。
20、作为本专利技术进一步实施例中，所述伪迹学习模块包括：dct系数转换单元、卷积单元、重复处理单元、相乘单元、第一形状调整及维度交换单元、第二形状调整及维度交换单元及拼接单元；
21、所述dct系数转换单元用于对所述y通道dct系数进行转换处理得到多维dct特征；
22、所述卷积单元用于对多维dct特征进行卷积处理，得到中间dct特征；
23、所述重复处理单元用于对图像的量化表进行重复处理，得到处理后量化表；
24、所述相乘单元用于对处理后量化表及中间dct特征进行相乘处理，得到中间去量化dct特征；
25、所述第一形状调整及维度交换单元用于对中间dct特征进行形状及维度调整；
26、所述第二形状调整及维度交换单元用于对中间去量化dct特征进行形状及维度调整；
27、所述拼接单元用于将所述第一形状调整及维度交换单元及第二形状调整及维度交换单元进行拼接处理，得到dct特征。
28、本专利技术第二方面提供一种图像篡改识别方法，预先根据前述任一实施例所述方法建立图像篡改检测模型，所述图像篡改识别方法包括：
29、接收待检测图像；
30、将所述待检测图像输入至所述图像篡改检测模型中，得到所述待检测图像的热力图；
31、根据所述待检测图像的热力图，确定图像篡改结果。
32、本专利技术第三方面提供一种图像篡改检测模型建立装置，包括：
33、模型构建模块，用于构建包括rgb特征提取模块、伪迹学习模块、伪迹特征提取模块、特征融合模块及分割模块的图像篡改检测模型，所述rgb特征提取模块用于根据图像提取rgb特征，所述伪迹学习模块用于根据图像的量化表及图像的y通道dct系数确定dct特征，所述伪迹特征提取模块用于从所述dct特征中提取伪迹特征，所述特征融合模块用于对rgb特征及伪迹特征进行融合处理得到融合特征，所述分割模块用于根据融合特征生成表示图像篡改信息的热力图；
34、样本获取单元，用于获取样本集，样本集包括多对样本，每对样本包括存在篡改的图像及表示图像篡改区域的掩模图像；
35、训练单元，用于通过动态控制图像压缩质量因子以从所述样本集中获取并构建训练样本，利用所述训练样本训练所述图像篡改检测模型。
36、本专利技术第四方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实本文档来自技高网...
【技术保护点】
1.一种图像篡改检测模型建立方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，通过动态控制图像压缩质量因子以从所述样本集中获取并构建训练样本，利用所述训练样本训练所述图像篡改检测模型，包括：
3.如权利要求2所述的方法，其特征在于，所述根据当前训练步数确定图像压缩质量因子，包括：
4.如权利要求3所述的方法，其特征在于，根据当前训练步数，确定图像压缩质量因子的选择范围，包括：
5.如权利要求1所述的方法，其特征在于，所述RGB特征提取模块采用四层向下采样的高分辨率网络，所述伪迹特征提取模块采用三层向下采样的高分辨率网络；
6.如权利要求1所述的方法，其特征在于，所述伪迹学习模块包括：DCT系数转换单元、卷积单元、重复处理单元、相乘单元、第一形状调整及维度交换单元、第二形状调整及维度交换单元及拼接单元；
7.一种图像篡改识别方法，其特征在于，预先根据权利要求1至6任一项所述方法建立图像篡改检测模型，所述图像篡改识别方法包括：
8.一种图像篡改检测模型建立装置，其特征在于，包括：>
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器执行时实现权利要求1至7任意一项所述方法。
...【技术特征摘要】
1.一种图像篡改检测模型建立方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，通过动态控制图像压缩质量因子以从所述样本集中获取并构建训练样本，利用所述训练样本训练所述图像篡改检测模型，包括：
3.如权利要求2所述的方法，其特征在于，所述根据当前训练步数确定图像压缩质量因子，包括：
4.如权利要求3所述的方法，其特征在于，根据当前训练步数，确定图像压缩质量因子的选择范围，包括：
5.如权利要求1所述的方法，其特征在于，所述rgb特征提取模块采用四层向下采样的高分辨率网络，所述伪迹特征提取模块采用三层向下采样的高分辨率网络；
6.如权利要求1所述的方法，其特征在于，所述伪迹学习模块包括：dc...
【专利技术属性】
技术研发人员：向东，程海波，王慧，蔡苹，胡诗雨，徐柯文，杨昀欣，钟韵辞，
申请(专利权)人：上海浦东发展银行股份有限公司，
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。