【技术实现步骤摘要】
视频图像的检测方法、装置、电子设备及存储介质
本申请涉及图像处理、深度学习
中的计算机视觉技术,尤其涉及一种视频图像的检测方法、装置、电子设备及存储介质。
技术介绍
随着人工智能的发展,近来出现了DeepFake这种基于神经网络的自动换脸技术,其可以使用某人的面部自动替换视频中的一个人的面部。此技术如果被不正当使用,会产生侵犯肖像权或名誉权、散步谣言、引发公共事件等严重后果。现有技术中,一般通过非特定特征提取,或者直接进行端对端方式训练得到的深度模型进行假脸识别。然而现有技术中的方式需要建立规模较大的数据集对模型进行长期训练,数据处理量大,训练时间长。
技术实现思路
本公开提供一种视频图像的检测方法、装置、电子设备及存储介质,可以有效地减少表征视频图像的特征数量,降低了图像数据处理的运算复杂度。第一方面,本公开实施例提供一种视频图像的检测方法,所述方法包括:从视频图像中检测人脸区域,得到人脸区域图像;将所述人脸区域图像转换为灰度图像;将所述灰度图像转换为一维功率谱;获取所述一维功率谱对应的特征数据;将所述特征数据输入经过训练的分类器,得到所述视频图像的检测结果。本实施例中,可以将视频图像中的人脸区域图像转换为对应的一维功率谱,从而可以在不损失图像信息的情况下,有效地减少了表征视频图像的特征数量,降低了图像数据处理的运算复杂度,在确保检测准确度的前提下,显著提高了分类器的数据处理速度。第二方面,本公开实施例 ...
【技术保护点】
1.一种视频图像的检测方法,所述方法包括:/n从视频图像中检测人脸区域,得到人脸区域图像;/n将所述人脸区域图像转换为灰度图像;/n将所述灰度图像转换为一维功率谱;/n获取所述一维功率谱对应的特征数据;/n将所述特征数据输入经过训练的分类器,得到所述视频图像的检测结果。/n
【技术特征摘要】
1.一种视频图像的检测方法,所述方法包括:
从视频图像中检测人脸区域,得到人脸区域图像;
将所述人脸区域图像转换为灰度图像;
将所述灰度图像转换为一维功率谱;
获取所述一维功率谱对应的特征数据;
将所述特征数据输入经过训练的分类器,得到所述视频图像的检测结果。
2.根据权利要求1所述的方法,其中,所述将所述灰度图像转换为一维功率谱,包括:
通过二维离散傅里叶变换,将所述灰度图像转换为二维频谱;
将二维频谱中的零频率分量移至所述二维频谱的中心位置,得到移频后的二维频谱;
对所述移频后的二维频谱进行径向平均计算,得到一维功率谱。
3.根据权利要求2所述的方法,在对所述移频后的二维频谱进行径向平均计算之前,所述方法还包括:
对所述移频后的二维频谱中的各个频率进行取绝对值和取对数运算,以使得所述移频后的二维数据的各个频率在预设的数值范围内。
4.根据权利要求2所述的方法,其中,对所述移频后的二维频谱进行径向平均计算,得到一维功率谱,包括:
确定所述人脸区域图像的中心点;
基于所述中心点,获取所述移频后的二维频谱落在每个径向单元内的数值;其中,不同径向单元之间的半径差为固定值;
对落在每个径向单元中的数值进行平均值计算,得到每个径向单元对应的数值;其中,所有径向单元对应的数值构成所述一维功率谱。
5.根据权利要求1-4中任一项所述的方法,其中,所述获取所述一维功率谱对应的特征数据,包括:
将所述一维功率谱表示为一维向量;
当所述一维向量中的数值数量小于预设阈值,则对所述一维向量进行插值处理,得到插值后的向量;
对所述插值后的向量进行归一化处理,得到所述一维功率谱对应的特征数据。
6.根据权利要求5所述的方法,其中,对所述插值后的向量进行归一化处理,包括:
将所述插值后的向量中的各个数值分别除以排在第一顺序位的数值。
7.根据权利要求1-4中任一项所述的方法,其中,将所述特征数据输入经过训练的分类器,得到所述视频图像的检测结果,包括:
将所述特征数据输入经过训练的分类器,由所述经过训练的分类器输出所述视频图像中的人脸区域图像是否被篡改。
8.根据权利要求1-4中任一项所述的方法,在将所述特征数据输入经过训练的分类器之前,还包括:
构建训练集;其中,所述训练集中包含有标注结果的视频图像;所述标注结果包括:人脸被篡改,或者人脸未被篡改;
通过所述训练集迭代训练分类器,得到经过训练的分类器。
9.一种视频图像的检测装置,所述装置包括:
第一检测模块,用于从视频图像中检测人脸区域,得到人脸区域图像;
第一处理模块,用于将所述人脸区域图像转换为灰度图像;
第二处理模块,用于将所述灰度图像转换为一维功率谱;
获取模块,用于获取所述一维功率谱对应的特征数据;
第二检测模块,用于将所...
【专利技术属性】
技术研发人员:王洋,熊俊峰,郝新,张欢,吕中厚,王文华,
申请(专利权)人:百度在线网络技术北京有限公司,
类型:发明
国别省市:北京;11
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。