一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法技术

本发明专利技术公开了一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，属于图像处理技术领域。该方法包括获取人脸图像数据集并预处理，构建基于轮廓强化的双通道密集卷积神经网络模型，对双通道密集卷积神经网络模型进行训练，利用训练后的双通道密集卷积神经网络模型进行人脸图像鉴别。本发明专利技术通过更有针对性地对图像轮廓特征进行提取，在降低网络参数的同时，能够有效提高分类精度。

A face image detection method based on contour enhancement and two channel dense convolution neural network

【技术实现步骤摘要】
一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法
本专利技术涉及图像处理
，尤其涉及一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法。
技术介绍
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络有其致命的缺陷，在随着网络层数加深的同时，后面层的神经元会丢失掉前面层的一些关键特征。传统的DenseNet网络结构，每个层从前面的所有层获得额外的输入，并将自己的特征映射传递到后续的所有层，使用级联方式，使得每一层都在接受来自前几层的“集体知识”，但是这种无差异性的特征保留随着网络深度的增加可能出现边缘特征弱化的情况，因而在细粒度的人脸图像鉴伪领域效果不理想。
技术实现思路
针对现有图像鉴伪方法中采用传统的DenseNet网络结构存在的上述不足，本专利技术提供了一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，一方面在保证随着网络层数加深的同时，后层的神经元能有效捕捉到前层传递的特征，另一方面保证特征的传递不丢失在细粒度分类中有效的轮廓特征。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，包括以下步骤：S1、获取真实和伪造的人脸图像数据集，并对人脸图像进行预处理；S2、构建基于轮廓强化的双通道密集卷积神经网络模型；S3、采用步骤S1中预处理后的人脸图像对步骤S2中构建的基于轮廓强化的双通道密集卷积神经网络模型进行训练；S4、采用步骤S3训练后的基于轮廓强化的双通道密集卷积神经网络模型对待分类人脸图像进行鉴别。进一步地，所述步骤S2中基于轮廓强化的双通道密集卷积神经网络模型包括主通道和轮廓特征通道，所述主通道用于提取图像整体特征，所述轮廓特征通道用于提取人脸轮廓特征。进一步地，所述主通道采用DenseNet结构，将网络中的每一层的输出全部连接均作为下一层的输入，并将轮廓特征通道提取的人脸轮廓特征分别添加到DenseNet结构的每一层中，与前一层的输出进行连接，共同作为下一层的输入。进一步地，所述主通道包括feature层、连接层、整合层、Dense层、全连接层和输出层，所述feature层用于对图像的R、G、B三个通道分别进行特征提取，所述连接层用于对R、G、B三个通道提取的特征进行交叉整合，所述整合层用于将连接层的输出进行整合，所述Dense层用于将轮廓特征通道提取的人脸轮廓特征与整合层整合的图像整体特征进行连接，进一步提取图像特征，所述全连接层用于对Dense层提取的图像特征进行全连接操作，所述输出层用于将全连接层处理后的图像进行输出。进一步地，所述主通道的Dense层包括4个DenseBlock，其中第一个DenseBlock包括2个DenseLyaer和一个transition结构，第二个DenseBlock包括3个DenseLyaer和一个transition结构，第三个DenseBlock包括6个DenseLyaer和一个transition结构，第四个DenseBlock包括4个DenseLyaer和一个transition结构。进一步地，所述轮廓特征通道采用多个具有小卷积核的卷积层内接最大池化层结构，并在每次提取人脸轮廓特征后将人脸轮廓特征输入到相对应的DenseBlock。本专利技术具有以下有益效果：本专利技术通过构建基于轮廓强化的双通道密集卷积神经网络模型，将网络中的每一层的输出全部连接均作为下一层的输入，并将轮廓特征通道提取的人脸轮廓特征与其连接，共同作为下一层网络的输入，并可调整轮廓特征所占权重，让下一层网络在关注图像整体的同时，对轮廓特征的注重性提高，从而实现更有针对性地对图像轮廓特征进行提取，在降低网络参数的同时，能够有效提高分类精度。附图说明图1是本专利技术的基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法流程示意图；图2是本专利技术的基于轮廓强化的双通道密集卷积神经网络模型结构示意图；图3是本专利技术的Dense层网络结构示意图；图4是本专利技术的轮廓特征通道第一层提取到的人脸轮廓特征示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术实施例提供了一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，包括以下步骤S1至S4：S1、获取真实和伪造的人脸图像数据集，并对人脸图像进行预处理；在本实施例中，本专利技术首先获取真实的人脸图像数据和由DeepFake生成的伪造人脸图像数据。再对获取的人脸图像进行预处理，具体而言，将图片大小统一调整到128×128分辨率，并进行normalize操作。本专利技术通过normalize操作可以有效地防止过拟合地产生。S2、构建基于轮廓强化的双通道密集卷积神经网络模型；在本实施例中，如图2所示，本专利技术构建的基于轮廓强化的双通道密集卷积神经网络模型包括主通道和轮廓特征通道，主通道用于提取图像整体特征，轮廓特征通道用于提取人脸轮廓特征，并不断将提取到的人脸轮廓特征赋予主通道。主通道采用DenseNet结构，将网络中的每一层的输出全部连接均作为下一层的输入，并将轮廓特征通道提取的人脸轮廓特征分别添加到DenseNet结构的每一层中，与前一层的输出进行连接，共同作为下一层的输入。主通道为了进一步提高分类精度，在第一步特征提取中分别对初始人脸图像的R、G、B三色通道进行特征提取，并在其后进行了第一次全连接操作。之后，采用连续的Dense模块，在加深网络的同时，防止低层特征消失。主通道具体包括feature层、连接层、整合层、Dense层、全连接层和输出层。其中：feature层用于对图像的R、G、B三个通道分别进行特征提取，其中具体采用3×3的卷积核；连接层用于对R、G、B三个通道提取的特征进行交叉整合；整合层用于将连接层的输出进行整合；Dense层用于将轮廓特征通道提取的人脸轮廓特征与整合层整合的图像整体特征进行连接，进一步提取图像特征；全连接层用于对Dense层提取的图像特征进行全连接操作；输出层用于将全连接层处理后的图像进行输出。如图3所示，主通道的Dense层包括4个DenseBlock，其中第一个DenseBlock包括2个DenseLyaer和一个transition结构，第二个DenseBlock包括3个DenseLyaer和一个transition结构，第三个DenseBlock包括6个DenseLyaer和一个transition结构，第四个DenseBlock包括4个DenseLyaer和一个transition结构。本文档来自技高网...

【技术保护点】
1.一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，其特征在于，包括以下步骤：/nS1、获取真实和伪造的人脸图像数据集，并对人脸图像进行预处理；/nS2、构建基于轮廓强化的双通道密集卷积神经网络模型；/nS3、采用步骤S1中预处理后的人脸图像对步骤S2中构建的基于轮廓强化的双通道密集卷积神经网络模型进行训练；/nS4、采用步骤S3训练后的基于轮廓强化的双通道密集卷积神经网络模型对待分类人脸图像进行鉴别。/n

【技术特征摘要】
1.一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，其特征在于，包括以下步骤：
S1、获取真实和伪造的人脸图像数据集，并对人脸图像进行预处理；
S2、构建基于轮廓强化的双通道密集卷积神经网络模型；
S3、采用步骤S1中预处理后的人脸图像对步骤S2中构建的基于轮廓强化的双通道密集卷积神经网络模型进行训练；
S4、采用步骤S3训练后的基于轮廓强化的双通道密集卷积神经网络模型对待分类人脸图像进行鉴别。


2.如权利要求1所述的基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，其特征在于，所述步骤S2中基于轮廓强化的双通道密集卷积神经网络模型包括主通道和轮廓特征通道，所述主通道用于提取图像整体特征，所述轮廓特征通道用于提取人脸轮廓特征。


3.如权利要求2所述的基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，其特征在于，所述主通道采用DenseNet结构，将网络中的每一层的输出全部连接均作为下一层的输入，并将轮廓特征通道提取的人脸轮廓特征分别添加到DenseNet结构的每一层中，与前一层的输出进行连接，共同作为下一层的输入。


4.如权利要求3所述的基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法，其特征在于，所述主通道包括feature层、连接层、整合层...

【专利技术属性】
技术研发人员：陈波，张勇，冯婷婷，吴思璠，邓媛丹，陈安龙，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51