换脸检测方法、装置、设备及存储介质制造方法及图纸

本申请提供了一种换脸检测方法、装置、设备及存储介质；所述方法包括：获取待检测图像，其中所述待检测图像中至少包括人脸区域；通过神经网络模型进行基于所述待检测图像的预测操作，得到预测结果，其中，所述神经网络模型至少是基于训练图像组的组合特征训练得到的，所述训练图像组包括至少两个训练图像，所述预测结果用于表征所述待检测图像是否为换脸图像；输出所述预测结果。通过本申请，能够提高换脸图像的识别准确率。

【技术实现步骤摘要】
换脸检测方法、装置、设备及存储介质
本申请涉及互联网
，尤其涉及一种换脸检测方法、装置、设备及存储介质。
技术介绍
人脸数字化的发展是现代人脸图像编辑工具的基础。人脸编辑分为两类：人物修改(换脸)和表情修改(换表情)。除了使用Photoshop等工具手动编辑人脸以外，近年来出现了很多自动化方法。其中以Deepfake为代表的视频换脸技术，由于其换脸逼真程度很高，人眼难以分辨真伪的原因，引发了广泛的社会舆论。视频换脸的应用对于个人隐私、人脸支付安全性以及名人形象侵犯等都会带来风险，因此检测和鉴别视频中的人物是否被换脸，对于网络安全是一个十分重要及必要的技术。
技术实现思路
本申请实施例提供一种换脸检测方法、装置及存储介质，能够提高换脸图像的识别准确率。本申请实施例的技术方案是这样实现的：本申请实施例提供一种换脸检测方法，包括：获取待检测图像，其中，待检测图像中至少包括人脸区域；通过神经网络模型进行基于待检测图像的预测操作，得到预测结果，其中，该神经网络模型至少是基于训练图像组的组合特征训练得到的，训练图像组包括至少两个训练图像，该预测结果用于表征该待检测图像是否为换脸图像；输出该预测结果。本申请实施例提供一种换脸检测装置，包括：第一获取模块，用于获取待检测图像，其中，待检测图像中至少包括人脸区域；预测模块，用于通过神经网络模型进行基于待检测图像的预测操作，得到预测结果，其中，该神经网络模型至少是基于训练图像组的组合特征训练得到的，训练图像组包括至少两个训练图像，该预测结果用于表征该待检测图像是否为换脸图像；输出模块，用于输出预测结果。本申请实施例提供一种换脸检测设备，包括：存储器，用于存储可执行指令；处理器，用于执行存储器中存储的可执行指令时，实现本申请实施例提供的方法。本申请实施例提供一种存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的方法。本申请实施例具有以下有益效果：在本申请实施例提供的换脸检测方法中，在获取到包括人脸区域的待检测图像后，通过神经网络模型进行基于待检测图像的预测操作，得到预测结果，该神经网络模型至少是基于训练图像组的组合特征训练得到的，训练图像组包括至少两个训练图像，该预测结果用于表征该待检测图像是否为换脸图像，由于该神经网络模型在训练时，运用了多个训练图像的组合特征，使得区分信息更加丰富，进而训练得到的神经网络模型的测试准确率更高，从而提高最终输出的预测结果的准确度。附图说明图1为本申请实施例换脸检测方法的网络架构示意图；图2是本申请实施例提供的服务器200的组成结构示意图；图3为本申请实施例提供的换脸检测方法的一种实现流程示意图；图4为本申请实施例神经网络的训练过程实现示意图；图5为本申请实施例提供的换脸检测方法的另一种实现流程示意图；图6为本申请实施例提供的一种图像鉴别换脸过程的实现流程示意图；图7A为进行鉴别换脸的常规CNN网络的网络架构；图7B为本申请实施例提供的进行鉴别换脸的GFN网络架构；图8A为本申请实施例提供的GFN网络联合约束示意图；图8B为本申请实施例提供的GFN网络联合约束的实例示意图；图9A为利用本申请实施例提供的GFN网络对单张测试图片进行预测的实现流程示意图；图9B为利用本申请实施例提供的GFN网络对多张测试图片进行预测的实现流程示意图。具体实施方式为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。1)神经网络：又可以称为神经网络模型，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。2)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。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。3)损失函数(LossFunction)，又称为代价函数(costfunction)或优化目标函数，是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计，是机器学习模型的优化目标。为了更好地理解本申请实施例，首先对相关技术中的换脸检测方法及存在的缺点进行说明。卷积神经网络(ConvolutionalNeuralNetworks，CNN)有极强的学习表征能力，在相关技术中，视频换脸也使用了CNN技术，因此目前主要的检测换脸的方法主体结构也是基于卷积神经网络。目前已有的视频换脸检测方法有以下几种方式：第一种方式、基于人物行为二分类，比如发现合成的换脸视频人物缺乏眨眼，人类静止时的眨眼频率平均为每分钟17次；当一个人说话时，眨眼频率增加到每分钟26次，阅读时则减少到每分钟4.5次。使用眼睛长宽比(EAR)或卷积神经网络(CNN)分类器来检测眼睛是睁开着还是闭着，通过结合眼睛的状态区分视频人物是真人还是换脸。第二种方式、基于人脸区域的二分类，以XceptionNet为主干网络将图像分为换脸及真人。该数据集下，对于低分辨率视频人眼分类准确率为61％，XceptionNet分类精度为85.49％，模型判断人物换脸的能力超过人眼。第三种方式、基于像素二分类判断换脸，通过CNN提取全局空间特征，通过长短期记忆(LongShort-TermMemory，LSTM)提取路径(Paths)区域特征，特征后通过解码(Decode)网络结构，网络最后输出一张原图大小的特征地图(FeatureMap)。Featu本文档来自技高网...

【技术保护点】
1.一种换脸检测方法，其特征在于，包括：/n获取待检测图像，其中所述待检测图像中至少包括人脸区域；/n通过神经网络模型进行基于所述待检测图像的预测操作，得到预测结果，其中，所述神经网络模型至少是基于训练图像组的组合特征训练得到的，所述训练图像组包括至少两个训练图像，所述预测结果用于表征所述待检测图像是否为换脸图像；/n输出所述预测结果。/n

【技术特征摘要】
1.一种换脸检测方法，其特征在于，包括：
获取待检测图像，其中所述待检测图像中至少包括人脸区域；
通过神经网络模型进行基于所述待检测图像的预测操作，得到预测结果，其中，所述神经网络模型至少是基于训练图像组的组合特征训练得到的，所述训练图像组包括至少两个训练图像，所述预测结果用于表征所述待检测图像是否为换脸图像；
输出所述预测结果。


2.根据权利要求1中所述的方法，其特征在于，所述方法还包括：
获取多个训练图像和各个训练图像的标签信息；
将所述多个训练图像划分为至少一个训练图像组；
基于每个训练图像组中包括的各个训练图像的标签信息，确定所述每个训练图像组对应的标签信息；
基于所述至少一个训练图像组和所述至少一个训练图像组对应的标签信息训练神经网络模型。


3.根据权利要求2中所述的方法，其特征在于，所述基于所述至少一个训练图像组和所述至少一个训练图像组对应的标签信息训练神经网络模型，包括：
获取每个训练图像组中各个训练图像的图像特征；
基于所述各个训练图像的图像特征，确定训练图像组的组合特征；
基于每个训练图像组中的各个训练图像的图像特征、各个训练图像的标签信息、训练图像组的组合特征、训练图像组的标签信息训练所述神经网络模型。


4.根据权利要求3中所述的方法，其特征在于，所述基于每个训练图像组中的各个训练图像的图像特征、各个训练图像的标签信息、训练图像组的组合特征、训练图像组的标签信息训练所述神经网络模型包括：
获取每个训练图像组中各个训练图像的图像特征对应的各个第一损失函数和第二损失函数，其中所述各个第一损失函数用于使得各个训练图像的图像特征与各个标签信息相对应，所述第二损失函数用于使得具有相同标签信息的训练图像的图像特征在特征空间中聚集，具有不同标签信息的训练图像的图像特征相互远离；
获取每个训练图像组的组合特征对应的第三损失函数和第四损失函数，其中，所述第三损失函数用于使得组合图像特征按照指定分布进行聚集，所述第四损失函数用于使得训练图像组的组合图像特征与训练图像组的标签信息相对应；
根据所述各个第一损失函数、第二损失函数、第三损失函数和第四损失函数对所述神经网络进行联合训练，以对所述神经网络模型的参数进行调整。


5.根据权利要求1至4中...

【专利技术属性】
技术研发人员：蒋进，叶泽雄，肖万鹏，鞠奇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44