[发明专利]一种基于生成式对抗网络的图像真伪识别方法

权利要求书

1.一种基于生成式对抗网络的图像真伪识别方法，其特征在于，所述的一种基于生成式对抗网络的图像真伪识别方法是利用生成式对抗网络对图像进行处理并且进行识别，生成式对抗网络包括生成模型和分类模型，通过生成模型得到生成数据，通过分类模型判别真伪；

其数学描述如下：

其中：V(D，G)为生成对抗网络的GAN的损失函数；

P_r和P_z分别为真实数据分布和随机噪声分布；

x采样于真实数据；

E为数学期望值；

D(x)代表数据通过判别模型后的输出；

该方法包括如下步骤：

(1)生成模型的构建；

生成模型采用子像素上采样层，该生成模型包括四个残差块，残差块采用跳跃连接结构，每跳跃一层产生一个残差块；上采样可以用来进行图像放大，采用内插方法，即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素；像素插值的结果必然存在误差，为了调整结果设置残差块，残差块就是计算预测值与观测值之间的残差值，与直接拟合结果加权运算，得到相准确性的结果；多轮次的残差处理，构成残差网络；神经网络层数过多训练困难，链式求导法则得到的梯度容易产生梯度消失或者梯度爆炸；残差网络为了避免梯度消失，在每层卷积层叠加上原始数据，也加入了跳跃连接，从某层获取激活迅速反馈给另外一层，甚至可以跳跃到网络更深层，使得深层网络也具备浅层网络不容易退化的特点；

(2)分类模型的构建；

分类器为九层的卷积网络，包括C全连接层和D卷积层，m×n×p的图像样本首先经过七层卷积层进行特征提取，然后利用两层全连接层对卷积层提取的特征信息进行整合，最后输出k+1维分类结果，前k维输出维对应类的置信度，第k+1维为判别为伪的置信度；

其中：m*n代表图像分辨率；

P代表图像通道数；

(3)训练模型的构建；

训练模型为VGG16网络，VGG16网络是已经通过调整分辨率后的64*64像素训练弯成后的16层VGG网络；

(4)图像输出和识别；

生成模型输入32*32像素的图像，其输出与对应的64*64的清晰图像输入到VGG16网络中，训练过程中保持VGG16的权重不变更新生成模型的权重，迭代Y次后将VGG16网络替换为判别模型，通过判别模型对图像真伪进行识别。

2.如权利要求1所述的一种基于生成式对抗网络的图像真伪识别方法，其特征在于，所述的训练过程中保持VGG16的权重不变更新生成模型的权重，迭代Y次后将VGG16网络替换为判别模型中的Y的次数为2000、20000、50000、80000。

3.如权利要求2所述的一种基于生成式对抗网络的图像真伪识别方法，其特征在于，所述的生成模型采用子像素上采样层，该生成模包括四个残差块，残差块采用跳跃连接结构，每跳跃一层产生一个残差块，子像素上采样层将前一卷积层输出作为输入I得到O，如式所示：

O＝f^L(I)＝PS(W_L×f^L-1(I)+b_L)

式中：O是输出结果，I是输入图像，f是激活函数f^L(I)，是对I数据的第L轮次的激活处理；

W_L是L轮此的权重处理；f^L-1(I)是对I数据的第L-1轮次的激活处理；b_L是L轮次的残差处理；

PS为不同轮次周期移位操作，目的是将r²个卷积层的输出张量重新排列为新的张量，Heigh、Width为图像I设置的高、宽；

其中r²为放大倍数，将输出的32*32像素的图像分辨率提高到64*64像素。

4.如权利要求3所述的一种基于生成式对抗网络的图像真伪识别方法，其特征在于，所述的分类器为九层的卷积网络，包括C全连接层和D卷积层，其中C为两个，D为七个。