[发明专利]针对人脸篡改图像特点分布的图像识别方法、系统及设备

权利要求书

1.一种针对人脸篡改图像特点分布的图像识别方法，其特征在于，所述方法包括：

步骤S100，获取待检测人脸图像；

步骤S200，基于所述待检测人脸图像，通过训练好的针对人脸篡改图像特点分布的图像识别模型，获得所述待检测人脸图像的真假脸识别结果；

其中，所述针对人脸篡改图像特点分布的图像识别模型基于卷积神经网络构建，包括深度残差网络、空洞卷积网络、注意力机制、最大池化层、第一层2048维全连接层、第二层1024维全连接层、第三层512维全连接层和非线性层，并给予训练图像以及设定的交叉熵损失函数，通过随机梯度下降法减小所述交叉熵损失函数，多次迭代获得针对人脸篡改图像特点分布的图像识别模型。

2.根据权利要求1所述的针对人脸篡改图像特点分布的图像识别方法，其特征在于，所述通过训练好的针对人脸篡改图像特点分布的图像识别模型，其方法为：

步骤A10，基于所述待检测人脸图像，通过所述深度残差网络获取高级语义特征M；

步骤A20，基于所述高级语义特征M，通过所述空洞卷积网络获取全局特征图像M’；

步骤A30，基于所述全局特征图像M’，通过第一卷积层获取标准全局特征图像

步骤A40，基于所述标准全局特征图像通过Sigmoid激活函数生成空间注意力权重sa：

步骤A50，基于所述全局特征图像M’和所述空间注意力权重sa，通过乘积运算获得加权注意力特征图G：

步骤A60，基于所述加权注意力特征图G，顺次通过最大池化层、第一层全连接层、第二层全连接层和非线性层获得待检测人脸图像的真假脸识别结果S。

3.根据权利要求2所述的针对人脸篡改图像特点分布的图像识别方法，其特征在于，所述步骤A60具体步骤为：

步骤A61，基于所述加权注意力特征图G，通过最大池化层获取池化特征图像y：

y＝down(G)*w1+b1

其中，y表示池化特征图像，w1表示池化层权重，down(·)表示最大池化函数，b1表示第一偏置项；

步骤A62，基于所述池化特征图像y，通过所述第一层全连接层、第二层全连接层和第三层全连接层获得全连接特征图像F，其中每一层的处理公式为：

F＝f(w2*y+b2)

其中，w2表示全连接层权重，f表示全连接函数，b2表示第二偏置项；

步骤A63，基于所述全连接特征图像F，通过非线性层的Sigmoid函数获得待检测图像的真假脸识别结果S，并通过BP算法和交叉熵损失函数采用最小批次的方式计算模型误差和更新模型权重；

所述真假脸识别结果S为：

其中，e表示自然对数的底数。

4.根据权利要求3所述的针对人脸篡改图像特点分布的图像识别方法，其特征在于，所述针对人脸篡改图像特点分布的图像识别模型，其训练方法为：

步骤B10，获取带标签的训练人脸图像作为待检测图像；

步骤B20，通过步骤A010-步骤A060的方法获取真假脸识别结果S；

步骤B30，基于所述真假脸识别结果S和标签计算交叉熵损失函数；

步骤B40，基于BP算法和所述交叉熵损失函数，通过随机梯度下降法更新模型参数；

步骤B50，重复步骤B10-步骤B50的方法至损失函数小于预设的阈值或模型识别准确率大于预设的阈值，获得训练好的针对人脸篡改图像特点分布的图像识别模型。

5.根据权利要求1所述的针对人脸篡改图像特点分布的图像识别方法，其特征在于，所述方法在步骤S100之前还包括图像预处理的方法，具体步骤为：通过视觉设备获取带有人脸的图像，基于所述带有人脸的图像，通过人脸定位裁剪的方法并进行归一化处理获得待检测人脸图像。