图像识别方法及装置、存储介质、计算机设备制造方法及图纸

本申请公开了图像识别方法及装置、存储介质、计算机设备，涉及图像识别技术领域，可以提升图像识别准确度。其中方法包括：利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像；利用由所生成的伪造图像和预设的真实图像构成的图像判别样本集对深度卷积对抗生成网络模型中训练好的判别网络模型进行训练，得到最终的判别网络模型；利用最终的判别网络模型对目标图像进行识别，确定所述目标图像是伪造图像或者真实图像。本申请适用于为公安，法庭等部门的图像取证提供更高的可靠性。

Image recognition method and device, storage medium and computer equipment

The application discloses an image recognition method and device, a storage medium and a computer device, and relates to the technical field of image recognition, which can improve the accuracy of image recognition. The methods include: using the network model trained in the deep convolution counter to generate the network model, generating the forged image according to the tampered data; using the image discrimination sample set composed of the generated forged image and the preset real image to train the trained discrimination network model in the deep convolution counter to obtain the final discrimination network model; The final discrimination network model is used to identify the target image, and the target image is determined to be a forged image or a real image. The application is applicable to providing higher reliability for image forensics of public security, court and other departments.

【技术实现步骤摘要】
图像识别方法及装置、存储介质、计算机设备
本申请涉及图像识别
，尤其是涉及到图像识别方法及装置、存储介质及计算机设备。
技术介绍
随着计算机技术的快速发展，计算机软件可以制作或拼接出细节栩栩如生、层次分明的伪造图像，其与数码相机拍摄得到的真实图像极其相似，肉眼很难分辨出来。而伪造图像逐渐出现在社会的政治、军事、新闻等各个领域，给社会带来极大的危害。因此，对图像的真伪取证研究十分重要。在传统的图像取证技术中，主动取证技术需要事先在图像中加入验证信息，而对于大多数应用场景获取到的图像均不含有先验信息，因此主动取证技术具有较大的局限性；现有的被动盲取证技术，主要依赖图像统计特性或浅层特征信息，如灰度值、灰度变化等，现有的被动盲取证技术十分依赖于浅层特征的选取，浅层特征的质量对图像识别结果的准确度影响较大，此外由于被动盲取证技术需要大量的伪造样本，而伪造样本集的建立一般需要人工完成，耗费大量的时间与精力，人工成本较高。
技术实现思路
有鉴于此，本申请提供了图像识别方法及装置、存储介质、计算机设备，主要目的在于解决现有被动盲取证技术过于依赖图像统计特性或浅层特征信息，图像识别结果的准确度较低，且构建相应的伪造样本集的人工成本较高的技术问题。根据本申请的一个方面，提供了一种图像识别方法，该方法包括：利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像；利用由所生成的伪造图像和预设的真实图像构成的图像判别样本集对深度卷积对抗生成网络模型中训练好的判别网络模型进行训练，得到最终的判别网络模型；利用最终的判别网络模型对目标图像进行识别，确定所述目标图像是伪造图像或者真实图像。根据本申请的另一方面，提供了一种图像识别装置，该装置包括：生成模块，用于利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像；训练模块，用于利用由所生成的伪造图像和预设的真实图像构成的图像判别样本集对深度卷积对抗生成网络模型中训练好的判别网络模型进行训练，得到最终的判别网络模型；识别模块，用于利用最终的判别网络模型对目标图像进行识别，确定所述目标图像是伪造图像或者真实图像。依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述图像识别方法。依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述图像识别方法。借由上述技术方案，本申请提供的图像识别方法及装置、存储介质、计算机设备，与现有基于主动取证技术、被动盲取证技术识别图像真伪的技术方案相比，本申请利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像，利用由所生成的伪造图像和预设的真实图像构成的图像判别样本集对深度卷积对抗生成网络模型中训练好的判别网络模型进行训练，得到最终的判别网络模型，以便利用最终的判别网络模型对目标图像进行识别，确定所述目标图像是伪造图像或者真实图像。可见，通过训练好的生成网络模型生成符合图像判别样本分布的伪造图像，以便通过少量的伪造图像生成大量的伪造图像，更好地解决建立伪造样本集人工成本较高的技术问题；此外，利用深度卷积对抗生成网络模型中最终的判别网络模型识别目标图像，能够更好地解决被动盲取证技术过于依赖图像浅层特征信息以及网络模型的鲁棒性较差等技术问题，有效保证最终的判别网络模型识别图像真伪的准确性以及最终的判别网络模型的鲁棒性。上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1示出了本申请实施例提供的一种图像识别方法的流程示意图；图2示出了本申请实施例提供的另一种图像识别方法的流程示意图；图3示出了本申请实施例提供的一种图像识别装置的结构示意图。具体实施方式下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。针对现有基于主动取证技术、被动盲取证技术识别图像真伪的过程中，主动取证技术存在获取到的图像不含有先验信息的局限性，以及被动盲取证技术，过于依赖图像统计特性或浅层特征信息，对图像识别结果的准确度影响较大，且构建相应的伪造样本集的人工成本较高的技术问题。本实施例提供了一种图像识别方法，能够有效避免现有被动盲取证技术识别图像的过程中造成图像识别结果的准确度较低，且构建相应的伪造样本集的人工成本较高的技术问题，从而有效提升图像识别真伪的准确度，如图1所示，该方法包括：101、利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像。深度卷积对抗生成网络(DCGAN：DeepConvolutionalGenerativeAdversarialNetworks)包括生成网络模型和判别网络模型，同时训练生成网络模型和判别网络模型，一方面生成网络模型通过训练使其生成的伪造图像与真实图像之间的差距尽可能小，从而欺骗判别网络模型；另一方面，判别网络模型通过训练使其尽可能地精确判别输入的目标图像的真伪。在本实施例中，深度卷积对抗生成网络DCGAN中生成网络模型为反向的卷积神经网络模型，共5层，具体为：1)第一层为输入层，为服从正态分布，输入层节点数量与输入的数据维度保持一致。例如，输入数据为100维数据，输入层节点数量也为100个。2)第二层为反卷积层，其输入数据为第一层的输出结果，设定其卷积核大小为4*4，滤波器为64*8个，进行批量正则化后输入到激活函数中，激活函数为ReLU函数。3)第三层为反卷积层，其输入数据为第二层的输出结果，设定其卷积核大小为4*4，步长为2*2，滤波器为64*4个，进行批量正则化后输入到激活函数中，激活函数为ReLU函数。4)第四层为反卷积层，其输入数据为第三层的输出结果，设定其卷积核大小为4*4，步长为2*2，滤波器为64个，进行批量正则化后输入到激活函数中，激活函数为ReLU函数。5)第五层为反卷积层，其输出结果用于构建判别网络模型的图像判别样本集，设定其卷积核大小为4*4，步长为2*2，滤波器为64个，输入到激活函数中，激活函数为Tanh函数。102、利用由所生成的伪造图像和预设的真实图像构成的图像判别样本集对深度卷积对抗生成网络模型中训练好的判别网络模型进行训练，得到最终的判别网络模型。在本实施例中，深度卷积对抗生成网络DCGAN中判别网络模型为卷积神经网络模型，共5层，具体为：1)第一层为输入层，设定其输入的数据向量的矩本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，包括：/n利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像；/n利用由所生成的伪造图像和预设的真实图像构成的图像判别样本集对深度卷积对抗生成网络模型中训练好的判别网络模型进行训练，得到最终的判别网络模型；/n利用最终的判别网络模型对目标图像进行识别，确定所述目标图像是伪造图像或者真实图像。/n

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：
利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像；
利用由所生成的伪造图像和预设的真实图像构成的图像判别样本集对深度卷积对抗生成网络模型中训练好的判别网络模型进行训练，得到最终的判别网络模型；
利用最终的判别网络模型对目标图像进行识别，确定所述目标图像是伪造图像或者真实图像。


2.根据权利要求1所述的方法，其特征在于，所述利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像之前，所述方法具体还包括：
利用由噪声变量和真实图像构成的第一判别样本集对深度卷积对抗生成网络模型中的初始判别网络模型进行训练，得到第一判别网络模型；
利用由噪声变量和伪造图像构成的第二判别样本集对所述第一判别网络模型进行训练，得到训练好的判别网络模型。


3.根据权利要求1所述的方法，其特征在于，所述利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像之前，所述方法具体还包括：
利用由噪声变量和真实图像构成的第一判别样本集对深度卷积对抗生成网络模型中的初始判别网络模型进行训练，得到第一判别网络模型；
利用由噪声变量和伪造图像构成的第二判别样本集对所述第一判别网络模型进行训练，得到第二判别网络模型；
利用由噪声变量和真实图像构成的第三判别样本集对所述第二判别网络模型进行训练，得到第三判别网络模型；
利用由噪声变量和伪造图像构成的第四判别样本集对所述第三判别网络模型进行训练，得到训练好的判别网络模型。


4.根据权利要求1所述的方法，其特征在于，所述利用深度卷积对抗生成网络模型中训练好的生成网络模型，根据篡改数据生成伪造图像之前，所述方法具体还包括：
利用由噪声变量构成的第一生成样本集对深度卷积对抗生成网络模型中的初始生成网络模型进行训练，得到...

【专利技术属性】
技术研发人员：王健宗，赵峰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44