[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

说明书

本发明公开了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，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，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。本发明能快速高效的检测现阶段常见的合成人脸图像。

技术领域

本发明属于机器学习和图像取证技术领域，具体涉及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。

背景技术

近年来，计算机视觉技术，深度学习技术的快速发展使得人脸图像的编辑和合成变得越来越容易，在丰富人们娱乐生活的同时，媒体上充斥着的大量虚假合成人脸也给公众带来了信任危机。一旦虚假的人脸图像被恶意使用，如制造假新闻误导公众，利用合成人脸进行身份识别，或在法庭上作为伪证，歪曲事实等，会导致严重的后果。然而现在合成技术的进步使得合成图像越来越逼真，人们依赖肉眼已经无法准确判断一张图像的真伪了。因此自动识别人脸图像的真伪模型的研究受到了研究人员的关注。

尽管目前一些研究人员针对某种特定技术的合成人脸，提出了一些解决方案，比如对于Face2Face人脸合成技术，一些研究人员提出小波变换统计矩特征或是SRM残差特征来描述自然真实图像和合成图像之间的差异，但是检测结果不太稳定，且在多媒体中图像常以压缩后形式传输，对于压缩后的图像，基于这些特征方案的检测性能下降明显；又如对于现在流行的GAN人脸生成技术，研究人员利用真实自然人脸和生成人脸在RGB、HSV、YCbCr三种颜色空间上的颜色不匹配特点，提取共生矩阵作为特征来区分这两种人脸，或者利用一些目标识别神经网络像Resnet,Xception等来区分真实人脸和虚假人脸。但是这些方法中传统图像统计矩特征只能针对特定图像合成技术手段生成的图像进行检测，一般的神经网络模型庞大，网络结构复杂，训练难度大且训练时间长。这些方法都难以满足合成人脸取证所需的通用性及高效性特点。因此寻找一种简单，高效，准确，通用的合成人脸取证模型具有重要的现实意义。

发明内容

有鉴于此，本发明的主要目的在于提供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。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供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，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。

上述方案中，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。