[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

说明书

本发明属于图像识别领域，具体涉及了一种针对人脸篡改图像特点分布的图像识别方法、系统和设备，旨在解决现有的人脸篡改图像识别技术无法很好地处理人脸伪影以至于篡改图像识别准确率不足的问题。本发明包括：通过深度残差网络、空洞卷积网络和卷积层获取待检测图像的标准全局特征图像，基于标准全局特征图像通过Sigmoid激活函数生成空间注意力权重，并将空间注意力权重乘标准全局特征图像获得加权注意力特征图，由全局注意力特征图通过最大池化层、全连接层和非线性层得到真假脸的识别结果。本发明通过空洞卷积和注意力机制针对伪影的特征和伪造特征的分布特点进行检测，提高了篡改图像识别的准确性。

技术领域

本发明属于图像识别领域，具体涉及了一种针对人脸篡改图像特点分布的图像识别方法、系统及设备。

背景技术

伴随着深度学习的快速发展，大量开源数据集的出现，深度伪造技术的门槛越来越低，使得越来越多的“假脸”图片通过网络传播，给网络空间信息安全带来了隐患。深度伪造技术的英文是Deepfake,是一种基于深度学习的人脸伪造技术，源自Deep Learning和Fake的组合，早在2017年，一名Reddit用户将名人的面孔用在色情视频人脸，迅速传遍媒体和网络，从此大量的深度伪造视频开始涌出，之后这一技术的算法也日趋成熟，生成的伪造人脸图像也达到了人眼难以辨别真伪的程度。

人脸深度篡改技术主要是基于生成对抗网络,生成对抗网络算法包含两部分神经网络：生成器和判别器。生成器基于一个数据库自动生成模拟该数据库中的数据的样本；判别器则用来评估生成器生成数据的真伪。两者在互相博弈学习中产生大规模且高精度的伪造样本输出。伪造图片产生的流程一般分为三步：先提取数据对人脸进行定位；然后通过训练数据对人脸进行转换；最后结合图片融合技术完成数据转换实现人脸图像拼接并合成伪造视频。人脸深度伪造检测本质上是二分类问题，深度卷积神经网络在图像分类任务上有显著的效果，当前的主流方法主要是通过深度学习数据驱动方式，深度卷积神经网络分类器拟合数据分布来学习到深度伪造图像的特征，比如用VGG16，inception_v3，Resnet50等模型。但是现有技术很少考虑到伪造特征的分布特点，人脸深度伪造检查首先将人脸进行定位裁剪，由于不同的图片人物肤色和拍摄背景光照的差异，在合成过程中会产生人脸伪影，这种伪影分布在人脸附近且比较分散，现有的方法无法针对伪影分布位置进行识别，导致篡改人脸图像的识别准确度不足。

因此，本发明提出一种符合人脸深度篡改图像特点的检测方法，来达到对深度篡改图像进行准确分类的目的。

发明内容

为了解决现有技术中的上述问题，即现有的人脸篡改图像识别技术无法很好地处理人脸伪影以至于篡改图像识别准确率不足的问题，本发明提供了一种针对人脸篡改图像特点分布的图像识别方法，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、第一卷积层、第二卷积层、最大池化层、第一层全连接层、第二层全连接层、第三层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。

在一些优选的实施方式中，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