[发明专利]一种基于深度学习伪造人脸视频的检测方法

说明书

本发明公开了一种基于深度学习伪造人脸视频的检测方法，包括以下步骤：S1：使用人脸检测模型，对需要检测的图像进行人脸检测，获取包含人脸及小范围背景区域的图像，简称为人脸图像；S2：使用特征滤波模型，对人脸图像进行滤波，得到滤波人脸图像；S3：使用胶囊网络模型，首先对滤波人脸图像提取特征，随后对提取的特征进行预测，给出图像是生成伪造人脸图像的概率，最后判断图像是否是生成伪造人脸图像。本发明的主要工作模块为胶囊网络模块，本发明主要针对通过对抗生成网络得到的生成伪造人脸图像进行检测，针对一种较新型的伪造方式得到的图片进行检测，是其它类似发明所不具备的，具有较高的准确率和较好的鲁棒性。

技术领域

本发明涉及电子信息技术领域，特别涉及一种基于深度学习伪造人脸视 频的检测方法。

背景技术

在伪造人脸图像检测的相关领域，目前主要采用的是基于循环卷积神经 网络的方法。其中，卷积神经网络主要用于分析图像纹理特征、人脸边缘特 征、头部姿态特征等伪造特征。在这些特征中，大部分针对传统的伪造手段 进行检测，如PS图像特征、翻拍屏幕的摩尔纹特征等等，但这些传统的检测 方法面对目前最新的伪造手段：利用对抗生成网络生成伪造人脸图像，已经 不具备有效的检测能力。其余少部分针对最新的生成伪造人脸图像的手段进 行检测，但目前，这类检测方法仍然不够成熟，检测准确率较低，且鲁棒性 较差。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于深度学 习伪造人脸视频的检测方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种基于深度学习伪造人脸视频的检测方法，包括以下步骤：

S1：使用人脸检测模型，对需要检测的图像进行人脸检测，获取包含人 脸及小范围背景区域的图像，简称为人脸图像；

S2：使用特征滤波模型，对人脸图像进行滤波，得到滤波人脸图像；

S3：使用胶囊网络模型，首先对滤波人脸图像提取特征，随后对提取的 特征进行预测，给出图像是生成伪造人脸图像的概率，最后判断图像是否是 生成伪造人脸图像；

其中步骤S1中包含以下：

S1.1：使用人脸检测模型对需要检测的图像进行人脸检测，得到图像中 人脸的坐标信息；

S1.2：根据步骤S1.1中得到的人脸坐标信息，得到人脸中心的坐标，以 该坐标为中心，截取包含人脸及小范围背景区域的正方形图像，简称为人脸 图像；

步骤S2中包含以下：

S2.1：将步骤1.1中得到的人脸图像送入滤波器，得到滤波后的人脸图 像；

步骤S3中包含以下：

S3.1：将步骤S2.1中得到的滤波后的人脸图像，送入卷积神经网络，得 到纹理特征；

S3.2：将步骤3.1中得到的纹理特征，以复制的形式将特征送入十个输 入胶囊，经过输入胶囊的计算之后，得到十个输出特征向量；

S3.3：对十个输出特征向量进行动态路由运算，得到一个输出向量，送 入输出胶囊，经运算之后得到预测概率；

S3.4：将S3.3得到的预测概率和阈值进行比较，得到预测结果。

与现有技术相比，本发明的有益效果如下：

1.本发明的主要工作模块为胶囊网络模块，这是本发明有别于其他类似 发明的核心，也是本发明检测性能优于其他类似发明的根本所在；

2.本发明主要针对通过对抗生成网络得到的生成伪造人脸图像进行检 测，针对一种较新型的伪造方式得到的图片进行检测，是其它类似发明所不 具备的，具有较高的准确率和较好的鲁棒性。