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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。