[发明专利]一种共享可更新的Deepfake视频内容监管方法及系统

权利要求书

1.一种共享可更新的Deepfake视频内容监管方法，其特征在于，包括：

步骤S1：将Deepfake视频输入预处理模块，提取视频关键帧并截取人脸图像作为训练样本；

步骤S2：提取训练样本的空域与频域特征，将特征信息输入SVM分类模型进行训练，得到初始的内容监管模型；

步骤S3：基于区块链技术建立共享可更新策略，并设计激励机制收集新的有效的Deepfake视频数据；

步骤S4：收集样本数量达到阈值后，对初始模型进行更新训练，更新后对样本贡献者共享Deepfake视频内容检测方法并等待下一次更新。

2.根据权利要求1所述的共享可更新的Deepfake视频内容监管方法，其特征在于，所述步骤S1，将Deepfake视频输入预处理模块，提取视频关键帧并截取人脸图像作为训练样本，包括：

步骤S11：将样本视频逐帧进行直方图绘制，并按照下述公式(1)计算帧与帧之间的差值保存为D；

其中，d(i)表示为图像的直方图数据，i表示为当前帧内的像素块序号，k表示为帧内的像素块总数量，p，q表示为视频图像相邻帧帧序号；

步骤S12：依据两次筛选进行自适应阈值的边界帧的判断。首先，设定窗口重叠次数为3，其中窗口大小为13帧，步长为10。定义M帧为当前窗口内D最大的帧，并应同时满足与上一个M帧的距离大于最小片段长度；其次，M帧应同时满足下述公式(2)，match(M)＝true时，表示当前M帧为片段边界帧；

其中，M′表示为当前帧的上一M帧，表示为两个帧之间帧的D的平均值，Multiplier被定义为预设期望倍数；

步骤S13：依据视频中边界帧划分片段，并计算所有片段内的帧的找出片段内帧的D大于平均值的倍数的帧标记为关键帧，否则选择片段的中间帧作为关键帧；

步骤S14：对关键帧基于CNN网络shape_predictor_68_face_landmarks进行人脸识别，并裁剪调整出入脸及周边正方形区域作为训练样本数据。

3.根据权利要求2所述的共享可更新的Deepfake视频内容监管方法，其特征在于，所述步骤S2：提取训练样本的空域与频域特征，将特征信息输入SVM分类模型进行训练，得到初始的内容监管模型，包括：

步骤S21：对训练样本M*N按照二维离散傅里叶变换计算表示二维功率谱，并将其定义为P(u，v)；其次，将二维的傅里叶频谱图按照从低频到高频的顺序，由内向外划分为K个区间，依据公式(3)计算第i个矩形环内累加和。并按照公式(4)进行归一化处理，其结果为训练样本的频域特征；

其中，ζ_i表示第i个矩形环内能量，Ψ_i表示第i个矩形环内能量与总能量之比。因此，图像的二维频谱图能量特征向量定义为ζ_f＝[ζ₁，ζ₂，...，ζ_K]，频谱图能量占比特征向量定义为Ψ_f＝[Ψ₁，Ψ₂，...，Ψ_K]；

步骤S22：对训练样本M*N进行n级小波分解得到样本图像小波特征值，并依据每个特征值的频带信号进行分析，每个参数表示为一个特征向量空间，各参数值的维数即HSV空间的维数，即该特征空间的基，最终提取得到图像HSV模型的多维小波特征向量。依据公式(5)计算所有子带系数得到均值、方差和偏斜度，其结果为训练样本的空域特征；

其中μ，σ，ω分别表示全部子带系数的均值、方差和偏斜度；N表示全部计算机生成图像小波特征样本数量；x表示计算机生成图像的小波特征；

步骤S23：将一维频域特征与多维空域特征级联融合，并对其进行归一化处理，得到的多维全局纹理特征信息作为真伪图像的鉴别特征；

步骤S24：依据鉴别特征将样本数据集输入SVM分类器进行训练，得到初始的内容监管模型。