一种基于Mask R-CNN图像篡改检测方法技术

本发明专利技术公开了一种基于改进的Mask R‑CNN图像篡改检测方法，属于图像识别技术领域，包括以下步骤：基于Mask R‑CNN构建图像篡改检测网络；图像篡改检测网络包括主分支网络、噪声分支网络、Resnet‑FPN骨干网络、区域提议网络RPN和双线性池化ROI Align网络；将篡改图像输入图像篡改检测网络对输入的图像分类特征、噪声特征和篡改候选区域特征进行特征合并，并输出篡改图像的分类、篡改区域定位和图像分割结果；用数据集对图像篡改检测神经网络进行训练、测试；通过训练后的图像篡改检测网络，得到篡改图像的分类、篡改区域定位和图像分割掩码预测。本发明专利技术通过基于Mask R‑CNN的图像篡改检测网络，进行篡改图像的分类、篡改区域定位和分割操纵区域，实现了对篡改图像像素级的预测。

An image tamper detection method based on mask r-cnn

【技术实现步骤摘要】
一种基于MaskR-CNN图像篡改检测方法
本专利技术涉及图像识别
，尤其涉及一种基于MaskR-CNN图像篡改检测方法。
技术介绍
随着高分辨率数码相机和功能强大的数字图像处理软件的普遍采用使得篡改图片变得更加真实。由于数字图像容易篡改引发了一系列的虚假图像事件问题，如篡改者有目的地篡改图像，用于司法取证，新闻报道，医学鉴定时，其引发的问题会造成不可估量的损失。图像拼接是图像伪造的最常见类型之一。它通过找出两幅具有标志特征的像素点，并利用相应的技术手段将一副图像中的特征像素逐渐变为另一个图像中的特征像素。现有的篡改检测方法只能推断出给定的图像是否伪造，但是不能同时定位拼接区域和分割掩码(mask)区域。因此，急需一种能够判断是图像否伪造，同时能够给出拼接区域和分割掩码的图像篡改检测方法。
技术实现思路
本专利技术目的在于提供一种能够判断图像是否伪造，同时能够给出拼接区域和分割掩码的图像篡改检测方法，专利技术的内容如下：一种基于MaskR-CNN图像篡改检测方法，包括以下步骤：S10、基本文档来自技高网...

【技术保护点】
1.一种基于Mask R-CNN图像篡改检测方法，其特征在于，包括以下步骤：/nS10、基于Mask R-CNN构建图像篡改检测网络，所述图像篡改检测网络包括主分支网络、噪声分支网络、Resnet-FPN骨干网络、RPN区域提议网络和ROI Align双线性池化网络；/nS20、将所述篡改图像输入所述主分支网络；所述主分支网络提取篡改图像特征并输入所述Resnet-FPN骨干网络；/nS30、输入所述主分支网络的所述篡改图像经过SRM滤波层提取篡改图像的局部噪声特征；将所述局部噪声特征输入所述噪声分支网络；/nS40、所述噪声分支网络识别所述篡改图像局部噪声特征和噪声分类特征，并输入到所述Re...

【技术特征摘要】
1.一种基于MaskR-CNN图像篡改检测方法，其特征在于，包括以下步骤：
S10、基于MaskR-CNN构建图像篡改检测网络，所述图像篡改检测网络包括主分支网络、噪声分支网络、Resnet-FPN骨干网络、RPN区域提议网络和ROIAlign双线性池化网络；
S20、将所述篡改图像输入所述主分支网络；所述主分支网络提取篡改图像特征并输入所述Resnet-FPN骨干网络；
S30、输入所述主分支网络的所述篡改图像经过SRM滤波层提取篡改图像的局部噪声特征；将所述局部噪声特征输入所述噪声分支网络；
S40、所述噪声分支网络识别所述篡改图像局部噪声特征和噪声分类特征，并输入到所述Resnet-FPN骨干网络；
S50、根据输入的所述篡改图像特征、所述局部噪声特征和所述噪声分类特征通过所述Resnet-FPN骨干网络的FPN产生图像特征金字塔；
所述图像特征金字塔包括边界特征金字塔、图像分类特征金字塔和图像噪声特征金字塔；
S60、将所述图像分类特征金字塔和图像噪声特征金字塔输入所述ROIAlign双线性池化网络；
S70、所述边界特征金字塔输入所述RPN区域提议网络产生图像篡改候选区域特征，并输入所述ROIAlign双线性池化网络；
S80、所述ROIAlign双线性池化网络对输入的所述图像分类特征、图像噪声特征和所述图像篡改候选区域特征进行特征合并，并输出所述篡改图像的分类、篡改区域定位和图像分割结果；
S90、使用数据集对图像篡改检测神经网络进行训练、测试；所述数据集为基于PASCALVOC数据集合成创建了新的篡改数据集(PASCALVOC-TP)；所述新的篡改数据集(PASCALVOC-TP...

【专利技术属性】
技术研发人员：徐超，宣锦昭，冯博，闪文章，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34