[发明专利]一种基于生成式对抗网络的图像真伪识别方法

说明书

一种基于生成式对抗网络的图像真伪识别方法。基于深度学习的图像分类网络对于低分辨率、不清晰的图像识别精度较低，仅通过增加网络层数的方法来提高模糊图像的识别精度具有一定的局限性。本发明的具体步骤为：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。本发明用于图像的真伪识别。

技术领域

本发明涉及一种基于生成式对抗网络的图像真伪识别方法。

背景技术

随着人工智能的不断发展，基于深度学习的图像识别方法得到了广泛的应用，由此产生了很多的基于深度学习的图像分类网络如：AlexNet、VGG、GoogLeNet、ResNet，其层数分别为8层、19层、22层和152层，他们在清晰图像数据集上，识别错误率分别为16.4％、7.33％、6.66％、4.92％，随着网络层数的增加，图像分类识别精度也得到了提高，但对于分辨率、清晰度低的图像数据集，AlexNet的识别错误率为44.01％，GoogLeNet的识别错误率更高达到44.61％，可见基于深度学习的图像分类网络对于低分辨率、不清晰的图像识别精度较低，仅通过增加网络层数的方法来提高模糊图像的识别精度具有一定的局限性。

发明内容

为了解决上述现有技术的不足之处，本发明的目的在于提供一种基于生成式对抗网络的图像真伪识别方法，以克服现有技术中的缺陷。

为了实现上述目的，本发明提供了一种基于生成式对抗网络的图像真伪识别方法，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；

(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；

(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。

所述的一种基于生成式对抗网络的图像真伪识别方法，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。