[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

说明书

本发明公开了一种基于深度可分离卷积的鉴别视频真伪性的检测方法，属于图像处理技术领域。该方法包括获取人脸视频图像并划分为训练集和测试集，构建基于深度可分离卷积的视频真伪性鉴别模型并进行训练，利用训练后的视频真伪性鉴别模型对测试集图像进行预测，输出图像所属视频的真伪分类。本发明采用深度可分离卷积构建的特征提取模块与残差网络、卷积神经网络相结合的架构，构建基于深度可分离卷积的视频真伪性鉴别模型，能够在保证判别准确性不降低的同时有效减小网络体积，降低运行成本提高运行速度，进一步提高视频真伪鉴别方法的实用性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度可分离卷积的鉴别视频真伪性的检测方法。

背景技术

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。

而传统的卷积神经网络在卷积层数较少时对图像特征的提取能力较差，难以学习到高维特征信息；在卷积层数较多时，网络体积庞大，训练参数多导致训练速度慢。那么，如何在保证一定准确度的前提下，尽可能降低网络体积，提高网络运行速度，成为真伪性检测问题在实际应用中的一个关键问题。

Xception神经网络显示了一种新的有前景的网络结构，相比于同样深度的卷积神经网络拥有参数少，性能高的特点。然而，整个Xception网络在视频真伪鉴别任务中深度过深，对鉴别的准确性贡献有限。因此，一种用于视频真伪鉴别的基于Xcepiton构建思想的运用深度可分离卷积神经网络的发明就显得很有必要。

发明内容

针对现有真伪性鉴别方法中采用的神经网络使用成本过高，耗时长等问题，本发明提供了一种基于深度可分离卷积的鉴别视频真伪性的检测方法，在保证鉴别视频真伪性准确率的同时降低训练和使用鉴别模型的成本。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于深度可分离卷积的鉴别视频真伪性的检测方法，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；

S3、利用步骤S2训练后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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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；