[发明专利]一种基于深度学习的人脸深度伪造鉴定方法及相关设备

说明书

本发明公开了一种基于深度学习的人脸深度伪造鉴定方法及相关设备，本方案包括：步骤1：通过Encoder‑Decoder深度网络训练学习重建人脸图像和真实人脸图像的分布特征；步骤2：截取出图像中目标的真实人脸和伪造人脸图像；步骤3：对真实人脸图像和伪造人脸图像的人脸对齐；步骤4：利用Encoder‑Decoder深度网络对真实人脸和伪造人脸图像进行重建处理，提取真实人脸重建图像和伪造人脸重建图像的分布特征；步骤5：计算真实人脸重建图像和伪造人脸重建图像的分布特征的余弦相似度，并据此对真实人脸图像和伪造人脸图像进行分类，得到鉴别结果。本方案基于利用真实人脸和伪造人脸的重建特征的分布差异性来实现更有效的对人脸深度伪造进行鉴定，大大提高鉴别结果的准确性。

技术领域

本发明属于计算机视觉技术领域，具体涉及图像中伪造人脸的鉴别技术。

背景技术

近些年，计算机视觉技术突飞猛进，随之也带来了视觉技术可能被滥用的问题。由于深度伪造技术的飞速发展，产生了潜在风险和隐患，除了个人信息泄露之外，利用深度伪造工具制作的负面消息、虚假新闻和重点人物言论真伪难辨、传播迅速，对社会舆情具有严重的误导性，影响国家安全，还可能成为网络犯罪的新手段，侵犯公民合法权益。当前AI图像合成技术可以创造逼真的虚拟人物，引发“眼见不一定为实”的普遍担忧，这给信息安全带来了严重的挑战。

如何快速、准确地鉴别深度伪造视频是国际前沿热点，也是世界性难题。将极大提升公安系统对深度伪造视频的侦察和取证效率，保障国家安全与社会稳定，节约警力投入，具有显著的社会效益。

现有伪造人脸检测方法大多通过分析输入图像所采用的特定合成模式来辨别是否伪造人脸，比如微软亚洲研究院提出的Face X-Ray算法将图像融合的边界作为合成模式来判定是否伪造，该算法认为每张合成人脸图像至少由两张图像叠加而成，即面部中间来源于一张图像，而面部周围来源于另一张图像。然而，随着伪造技术的发展，过度关注特定的已知合成模式容易造成无法识别全新合成方法生成的伪造样本。同时，图像传输过程中的压缩、模糊、饱和度失调等噪声也可能破坏已知的合成模式，从而影响伪造人脸检测算法的准确度。

发明内容

针对现有视频图像人脸防伪鉴别技术在结果准确性方面所存在的问题，本发明的目的在于提供一种基于深度学习的人脸深度伪造鉴定方案，其基于利用真实人脸和伪造人脸的重建特征的分布差异性来实现更有效的对人脸深度伪造进行鉴定，大大提高鉴别结果的准确性。

为了达到上述目的，本发明第一方面提供了一种基于深度学习的人脸深度伪造鉴定方法，其包括：

步骤1：通过Encoder-Decoder深度网络训练学习重建人脸图像和真实人脸图像的分布特征；

步骤2：截取出图像中目标的真实人脸和伪造人脸图像；

步骤3：对真实人脸图像和伪造人脸图像的人脸对齐；

步骤4：利用Encoder-Decoder深度网络对真实人脸和伪造人脸图像进行重建处理，提取真实人脸重建图像和伪造人脸重建图像的分布特征；

步骤5：计算真实人脸重建图像和伪造人脸重建图像的分布特征的余弦相似度，并据此对真实人脸图像和伪造人脸图像进行分类，得到鉴别结果。

进一步的，所述步骤1的具体实现包括以下子步骤：

首先，利用Encoder-Decoder深度网络模型提取重建人脸图像和真实人脸图像的分布特征；

接着，训练保存重建人脸图像和真实人脸图像模型权重文件。

进一步的，所述步骤2在截取出图像中目标的真实人脸和伪造人脸图像时，包括：

首先利用Retinaface训练出人脸检测算法；

接着利用训练出的人脸检测算法截取出图像中目标的真实人脸和伪造人脸图像。