[发明专利]基于深度学习的图片篡改检测方法及系统

说明书

本发明特别涉及一种基于深度学习的图片篡改检测方法，包括如下步骤：A、将待检测篡改图输入至粗略估计网络，得到靠近篡改边缘的条带检测图；B、将待检测篡改图和条带检测图叠加处理后输入至精确估计网络，得到精确的篡改边缘图；其中，粗略估计网络和精确估计网络都是预先训练好的网络模型。本发明通过提出双边缘的办法，完美地消除了篡改边缘属于篡改部分还是非篡改部分的二义性问题，通过由粗到细的思路，将复杂的直接预测篡改边缘的任务，转换为了先预测靠近篡改边缘的区域，再预测精确的篡改边缘的两个子任务，大大提升了模型的准确度。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于深度学习的图片篡改检测方法及系统。

背景技术

随着现代技术的发展，任何人都可以对图像进行编辑。虽然这方便了人们的生活，但是凡事都有两面性：当被恶意篡改的图像经过传播，就会影响人们对客观事物的判断，有时甚至会对社会和国家造成不良的影响。在所有的图像篡改方式中，图像拼接篡改方式因为操作容易，所以应用范围尤为广泛。图像拼接篡改因其操作较为容易，同样广泛存在于学术界，学术界的某些造假者“巧妙”地使用图像拼接篡改技巧修改实验效果欺骗了审核人，这种造假现象一直为人诟病。因此，图像拼接篡改的检测在学术界也变得越来越重要。

图像拼接篡改检测有着较长的研究历史，相关的方法可以分为两大类，即基于图像处理的方法和基于深度学习的方法。

传统的基于图像处理的方法进行篡改检测存在不小的缺陷，因为这些图像拼接篡改检测的方法通常都是采用手工设计的方式提取特征，这种基于手工设计的特征大多存在局限性，缺乏代表性，这也就导致了这些图像拼接篡改检测方法仅仅具有对某种篡改技术的鉴别能力。

近年来，随着深度学习技术的不断发展，卷积神经网络在特征提取方面的优异表现引起了图像拼接取证领域学者的注意。有的学者提出了一种基于深度学习技术的图像拼接篡改检测方法，该方法利用卷积神经网络(CNN)从输入的RGB彩色图像中自动学习分层表示，与随机策略不同，网络第一层的权值是使用空间丰富模型(SRM)残差图计算中使用的基本高通滤波器组来初始化的，它可以作为正则化器有效地抑制图像内容的影响，并捕获拼接篡改操作带来的细微伪影。利用预训练的CNN作为块描述子，从测试图像中提取稠密特征，然后探索一种特征融合技术，得到最终的判别特征用于支持向量机分类。此方法虽然可以有效地检测篡改区域，但在定位精确度上还有待提高。

为了学习更丰富的图像篡改特征，还有学者提出了一种双流Faster-RCNN网络，并对其进行端到端的训练，以检测给定的图像拼接篡改区域。同时借助Faster-RCNN在目标检测领域的应用，该网络不仅能准确定位篡改区域，还能标注出篡改类型，如是否为复制粘贴篡改等。也有人提出一种基于深信度网络(DBN)的图像拼接篡改检测与定位方法，该方法在小规模拼接篡改检测中具有良好的表现，但在大规模拼接检测中表现较差。

现有图像拼接篡改检测方法对于特定特征，如噪声一致性特征，马赛克一致性等，有较强依赖性，这导致了算法鲁棒性的欠缺。而且，已有的图像拼接篡改检测方法都以篡改区域为结果，这在特定情况下会产生二义性。例如，当拼接篡改的区域占原图像区域的1/2甚至更多时，逻辑上已经无法判断哪部分是非篡改区域，哪部分是篡改区域，但由于数据集生成时并没有考虑这一点，可能依旧会将占原图像区域1/2以上的拼接部分标注为篡改区域。大多数方法都仅仅依赖某一特定线索来实现篡改区域的检测，如颜色、边缘纹理和噪声等。它们无法较好地应用于其它拼接类型的篡改图像，因而检测效果和鲁棒性较差。现有数据集的篡改区域和非篡改区域的特征往往差异明显，当遇到特征差异较小的图像时，由这些数据集训练的模型的检测能力会大打折扣，而此类图像在现实生活中非常常见。

发明内容

本发明的首要目的在于提供一种基于深度学习的图片篡改检测方法，能够精确的得到篡改边缘。