[发明专利]基于局部二值模式和深度学习的合成人脸图像取证方法

权利要求书

1.一种基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于，该方法为：

采集真实人脸图像和合成人脸图像并且进行标注，创建人脸图像取证样本图库，并将图像库划分成训练集，验证集，测试集三个部分；

根据提取的人脸图像的局部二值模式LBP特征确定LBP算子模式及采样半径；

构建人脸取证卷积神经网络模型、及设置卷积神经网络训练超参数，模型包括人脸图像特征提取模块和特征分类模块，根据分类模块中的逻辑回归得到评价分数，根据损失函数及数据标签与评价分数更新特征提取模块中的网络参数；

通过训练集和测试集训练神经网络获得训练模型，通过所述训练模型检测输入人脸图像是真实自然人脸还是合成人脸。

2.根据权利要求1所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述将图库划分成训练集，验证集，测试集三个部分，具体为：将图像数据集分成两部分，一部分作为测试样本集，另一部分作为图像数据库；从所述图像数据库中取出一部分作为训练样本集，一部分为验证集；每个样本均包括一张图像及对应的类别标签。

3.根据权利要求1或2所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述根据提取的人脸图像的局部二值模式LBP特征确定LBP算子模式及采样半径，具体为：所述LBP算子采用均值模式的LBP，采样半径为1，即在该像素点3×3邻域内的8个点可产生8bit的无符号数，即得到该点的LBP值，并用这个值来反映该区域的纹理信息。

4.根据权利要求3所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述构建人脸取证卷积神经网络模型，具体为：所述神经网络由卷积层、池化层、全连接层组成；所述卷积层由3×3卷积核，深度可分离卷积结构depthwise separableconvolution，以及1×1卷积核构成，所述卷积层采用激活函数为ReLu函数，所述池化采用最大池化。

5.根据权利要求4所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述人脸取证卷积神经网络模型中，网络参数w，偏置b，激活函数为ReLU，则通过网络的人脸图像的评价分数S：

S＝σ(w^T*s+b)

(3)

σ(x)＝max(0,x)

(4)

其中，s为每层隐含层入的特征向量，σ(x)为ReLU激活函数。

6.根据权利要求5所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述卷积神经网络采用为交叉熵损失函数为网络损失函数来估计目标图像预测值和其标签T的偏差；

单次训练结束后根据损失函数，利用随机梯度下降算法SGD更新神经网络的参数。

7.根据权利要求6所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述通过训练集和测试集训练神经网络获得训练模型，具体为：训练模型时，将训练集图像进行LBP算子处理，得到的LBP图谱分批送入网络，进行前向传播，然后将经过该网络计算后得到的损失用反向传播算法调整网络权重，学习卷积网络参数，迭代一定次数后得到训练模型。