[发明专利]一种基于深度可分离卷积的鉴别视频真伪性的检测方法

权利要求书

1.一种基于深度可分离卷积的鉴别视频真伪性的检测方法，其特征在于，包括以下步骤：

S1、获取包含真假人脸的视频图像，并划分为训练集和测试集；

S2、构建基于深度可分离卷积的视频真伪性鉴别模型，利用步骤S1中的训练集图像进行模型训练，输出图像真伪概率向量；

所述基于深度可分离卷积的视频真伪性鉴别模型包括第一特征提取模块、第二特征提取模块、特征输出模块和预测模块；所述第一特征提取模块包括依次连接的卷积层、批量归一化层和ReLU激活函数；

所述第一特征提取模块用于提取人脸图像的低层特征信息；所述第二特征提取模块用于对第一特征提取模块提取的特征图进一步提取特征信息；所述第二特征提取模块包括三个采用深度可分离卷积构成的残差块，各个残差块之间采用具有1*1卷积核的卷积层和残差块内部输出共同相连；所述采用深度可分离卷积构成的残差块包括依次连接的深度可分离卷积层、ReLU激活函数、深度可分离卷积层和最大池化层，第二特征提取模块的输入特征图像通过具有1*1卷积核的卷积层与第一个采用深度可分离卷积构成的残差块中最大池化层的输出特征图像跳跃连接，第一个采用深度可分离卷积构成的残差块的输入特征图像通过具有1*1卷积核的卷积层与第二个采用深度可分离卷积构成的残差块中最大池化层的输出特征图像跳跃连接，第二个采用深度可分离卷积构成的残差块的输入特征图像通过具有1*1卷积核的卷积层与第三个采用深度可分离卷积构成的残差块中最大池化层的输出特征图像跳跃连接；

所述特征输出模块用于将第二特征提取模块提取的特征信息通过卷积处理得到高层特征信息，并将特征图转化为高维特征向量；所述特征输出模块包括依次连接的卷积层、批量归一化层、最大池化层、正则化层和全连接层；

所述预测模块用于对高维特征向量进行处理，得到图像真伪概率向量；所述预测模块包括依次连接的正则化层和全连接层；

S3、利用步骤S2训练好的视频真伪性鉴别模型对步骤S1中的测试集图像进行预测，输出图像所属视频的真伪分类。

2.如权利要求1所述的基于深度可分离卷积的鉴别视频真伪性的检测方法，其特征在于，所述步骤S1中人脸图像通过从视频中连续抽帧获取，并采用人脸对齐方法进行处理。

3.如权利要求2所述的基于深度可分离卷积的鉴别视频真伪性的检测方法，其特征在于，所述步骤S1还包括对视频图像进行预处理，具体为：

首先对视频图像进行大小变换操作，将图像尺寸变换为设定尺寸；再对视频图像进行归一化操作，采用min-max归一化方法将图像的值压缩到0到1之间；最后对视频图像进行标准化操作，将图像的值从0-1之间的值变换到-1到1区间内。

4.如权利要求1所述的基于深度可分离卷积的鉴别视频真伪性的检测方法，其特征在于，所述步骤S2包括以下分步骤：

S2-1、将步骤S1中的训练集图像输入第一特征提取模块中，输出提取的人脸图像的低层特征信息；

S2-2、将步骤S2-1输出的低层特征信息输入基于深度可分离卷积构建的第二特征提取模块中，对第一特征提取模块提取的特征图进一步提取特征信息；

S2-3、将步骤S2-2提取的特征信息输入具有大卷积核的卷积单元构成的特征输出模块中，得到高层特征信息，并将特征图转化为高维特征向量；

S2-4、将步骤S2-3得到的高维特征向量输入采用逻辑回归算法的预测模块中，得到图像真伪概率向量，执行对视频真伪性的推断预测。

5.如权利要求1所述的基于深度可分离卷积的鉴别视频真伪性的检测方法，其特征在于，所述残差块的网络结构表示为：

y_l＝h(x_l)+F(x_l,W_l)

x_l+1＝f(Y_l)

其中，x、y分别表示残差块的输入和输出，F(x_l,W_l)表示残差函数，W_l表示残差块的卷积核权重，h(x_l)表示将上一残差块中输入特征发送到输出的函数，f(Y_l)表示激活函数。