[发明专利]基于残差域富模型的GAN生成图片检测方法及系统

说明书

本发明提供了一种基于残差域富模型的GAN生成图片检测方法及系统，包括：原始图像处理步骤:利用数字图像处理技术对原始图像进行识别和裁剪，识别人脸并裁剪出人脸部分的图像；获取原始图像残差信息步骤:利用数字图像处理技术对原始图像进行预处理，提取出原始图像的残差信息；卷积神经网络处理步骤:将原始图像的残差图像输入设定的卷积神经网络，卷积层在每个激活函数前加入BN层；全局平均池化层处理步骤：使用全局平均池化层代替全连接层；样本训练卷积神经网络处理步骤：利用数据集的样本训练卷积神经网络，得到图片分类器，获取判断结果信息。本发明设计预处理高通滤波器，并通过改进的卷积神经网络，最终达到了99％的准确率。

技术领域

本发明涉及数字图像处理技术及人工智能交叉领域，具体地，涉及基于残差域富模型的GAN生成图片检测方法及系统。

背景技术

2017年，NVIDIA推出了ProGAN,该模型突破了之前生成对抗神经网络(简称GAN)的极限，生成了高分辨率的合成人脸图片(1024×1024)。该模型所生成的大部分图片已经具有了很高的欺骗性，但细节方面仍不理想，人们通过肉眼仔细观察还是能够分辨出图片的真伪。在此基础之上，NVIDIA推出了新的生成对抗神经网络StyleGAN，其合成的人脸更进一步能够以假乱真，连细节方面也得到了完善。来自Uber的软件工程师Philip Wang利用StyleGAN做了一个网站，每次刷新都会生成一张逼真的假脸，其效果在社交媒体上引起了轰动。随着计算机视觉和图像处理技术取得最新进展，现在我们已经能做到在图像中合成极其逼真的人脸。这项技术的背后是无限的应用空间，但其中的某些滥用行为却为我们拉响了安全警报，因此开发一个可靠的虚假图像检测器迫在眉睫。

目前传统图像取证(包括重拍摄图像取证、CG图像取证)领域已经有了很多研究，但对于AI生成图像取证的研究还比较匮乏。

专利文献CN101739555B公开了一种假脸检测方法及系统，该技术通过将人脸图像的表示向量映射到判别子空间，获得特征向量，所述表示向量为针对所述人脸图像进行特征提取获得，判别子空间是依据包括真假脸的人脸样本的人脸特征建立的；将所述特征向量输入到所述假脸模型中，输出检测结果。该发明目的在于剔除经过人脸检测算法检测出的大量假脸，特点是对于经过修改的人脸有着较好的检测性能，缺点是该技术未针对最新的GAN网络，由噪声直接生成的假脸进行检测，无法达到有效的检测结果。

专利文献CN108549854B公开了一种人脸活体检测方法，该发明公开一种基于局部二值卷积神经网络模型的人脸活体检测方法，特点是不需要进行人机交互，也不需要安装其他摄像头，仅需要普通可见光摄像头，并且网络训练快，网络参数少，便于在嵌入式设备上移植和应用。该方法只是针对于视频中较低分辨率人脸进行检测，未对高分辨率的人脸图像进行识别检测。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于残差域富模型的GAN生成图片检测方法及系统。

根据本发明提供的一种基于残差域富模型的GAN生成图片检测方法，包括以下步骤：原始图像处理步骤:利用数字图像处理技术对原始图像进行识别和裁剪，识别人脸并裁剪出人脸部分的图像，获取待处理原始图像信息；获取原始图像残差信息步骤:根据待处理原始图像信息，利用数字图像处理技术对原始图像进行预处理，提取出原始图像的残差信息，获取原始图像残差信息；卷积神经网络处理步骤:根据原始图像残差信息，将原始图像的残差图像输入设定的卷积神经网络，卷积层在每个激活函数前加入BN层，获取待全局平均池化层处理信息；全局平均池化层处理步骤：根据待全局平均池化层处理信息，使用全局平均池化层代替全连接层，将每张特征图都整合成为一个输出，获取待样本训练卷积神经网络处理信息；样本训练卷积神经网络处理步骤：根据待样本训练卷积神经网络处理信息，利用数据集的样本训练卷积神经网络，得到图片分类器，获取判断结果信息。