[发明专利]基于身份不变特征的深度伪造人脸检测方法、系统及设备

说明书

本发明公开了一种基于身份不变特征的深度伪造人脸检测方法、系统及设备。本发明首先将若干原始人脸图像与对应的伪造人脸图像预处理成112×112×3的大小并分别输入到ResNet50网络中，得到人脸图像的身份特征，然后利用ArcFace损失函数监督原始人脸和伪造人脸提取的身份特征保持一致。最后，将待检测的伪造人脸图像和对应的目标人脸图像分别输入到已经训练好的ResNet50主干特征提取网络中，分别得到人脸图像的身份特征f和g，通过计算f和g的余弦相似度得到伪造人脸和目标人脸的身份相似度，身份相似度小于预设值的图片即为伪造人脸图片。本发明可以有效的提取真伪人脸的身份不变特征，具有更准确的深度伪造人脸检测效果。

技术领域

本发明属于人工智能安全技术领域，涉及一种深度伪造人脸检测方法、系统及设备，具体涉及一种基于身份不变特征的深度伪造人脸检测方法、系统及设备。

背景技术

深度伪造是一种基于深度学习等智能化方法创建或合成伪造内容(如图像、视频、声音)的技术。近年来，随着深度学习技术的发展，深度伪造正在以前所未有的速度发展。目前，深度伪造技术不仅可以生成换脸图像、模仿真人说话的动作表情，还可以创造出现实中不存在的人物，并且很难分辨，颠覆了“眼见为实”的传统观念。

深度伪造技术一旦被滥用，将对个人、社会和国家带来极大的危害。近年来，有不法分子利用深度伪造技术制作虚假的色情和言论视频，对他人进行诬陷、诽谤和敲诈，对他人的个人肖像权、名誉权和隐私权造成了严重的危害。深度伪造技术更危害国家安全和公众安全，不法分子可以借助深度伪造技术，散布虚假信息，激化社会矛盾，煽动暴力和恐怖行动，严重危害国家安全。针对深度伪造技术的潜在风险，各国已经出台相关法律法规，对深度伪造技术进行防控。

对抗“深度伪造”最好的方法就是“深度伪造检测”。深度伪造检测技术目的是检测图像或者视频有无通过深度伪造技术被伪造。目前的主流检测方法包括了利用传统图像特征的检测方法和基于深度学习的检测方法。随着深度学习技术的发展，越来越多的新颖的深度伪造检测技术被应用。研究人员通过构造不同的卷积神经网络结构，提取出图像中的深度特征，利用深度特征来判别人脸是否被深度伪造。为了提升特征的表达能力，研究人员不断提出新的网络架构，主流的包括Xception网络以及残差网络。也有研究人员在卷积神经网络中引入了频域信息，增加了特征的表达能力。

然而，尽管这些卷积神经网络结构能够很好的提取出图像的主要特征，但是这些单样本输入的网络很容易关注到与图片真伪属性无关的特征表达，例如背景特征、肤色特征等等，并且很难捕获图片真伪属性相关的内在特征表达，尤其是当多个图片外观相似，但真伪属性不同时，这些网络很容易提取出相似的图像特征，从而影响检测的准确性。

发明内容

为了解决上述技术问题，本发明提出了一种基于身份不变特征的深度人脸伪造检测方法、系统及设备。

本发明的方法所采用的技术方案是：一种基于身份不变特征的深度伪造人脸检测方法，包括以下步骤：

步骤1：将待检测的伪造人脸图像和目标人脸图像预处理成预设大小112×112×3，然后分别输入到ResNet50主干特征提取网络中，得到伪造人脸图像的身份特征f和目标人脸图像的身份特征g；其中，所述目标人脸图像为利用原始人脸图像伪造获得的人脸图像；

步骤2：计算身份特征f和身份特征g之间的余弦相似度，作为待检测人脸和目标人脸的身份相似度；身份相似度小于预设值即待检测人脸图像为伪造图像；

所述ResNet50主干特征提取网络，包括入口流层、中间流层和出口流层；所述入口流层是将一张112×112×3的图片转换为一个112×112×64的特征图，包含1个7×7卷积和一个最大池化层；所述中间流层包含4个阶段，依次包含3、4、6、3个残差块，每个残差块由1个1×1卷积、1个3×3卷积和1个1×1的卷积组成；所述出口流层是将一张7×7×512的特征图转化为一个512维的特征向量，包含一个平均池化层。