【技术实现步骤摘要】
深度伪造图像检测方法及装置
本专利技术涉及图像处理
，具体涉及一种深度伪造图像检测方法及装置。
技术介绍
DeepFake是由“deepmachinelearning”（深度机器学习）和“fakephoto”（假照片）组合而成，本质是一种深度学习模型在图像合成、替换领域的技术框架。随着DeepFake技术的兴起，互联网上出现越来越多的虚假换脸视频，随之而来的是一些负面影响，比如侵犯隐私、换脸视频的恶意应用等等。因此，DeepFake(即深度伪造图像)的检测技术日益显得尤为重要。当前市面上常见的DeepFake检测方法都是基于深度学习的方式，收集大量的真实和DeepFake数据，并打上标签，然后用深度神经网络端到端的进行训练，提取真实视频和DeepFake视频的高层特征，这些特征通常不具有可解释性。根据标注数据的丰富程度的不同，常见的训练方式有三种：第一类是标注数据不完整，即部分数据有真假标签，部分数据没有标签，是一个半监督学习问题，可以采用自学习（self-training）的方式逐步给没有标签的数据自...
【技术保护点】
1.深度伪造图像检测方法，其特征在于，包括以下步骤：/n步骤一、执行人脸图像输入，输入的所述人脸图像包括真实人脸图像和伪造人脸图像；/n步骤二、采用第一卷积神经网络对所述人脸图像进行初步人脸特征提取；/n步骤三、对所述人脸图像进行包含纹理特征的传统图像特征提取，采用第二卷积神经网络对所述传统图像特征进行动态调整加工；/n步骤四、将通过第一卷积神经网络得到的初步人脸特征和通过第二卷积神经网络加工后的所述传统图像特征在通道维度叠加，获得所述人脸图像的融合特征；/n步骤五、对所述融合特征采用第三卷积神经网络进行特征再提取，所述特征再提取使所述初步人脸特征和加工后的传统图像特征进行...
【技术特征摘要】
1.深度伪造图像检测方法，其特征在于，包括以下步骤：
步骤一、执行人脸图像输入，输入的所述人脸图像包括真实人脸图像和伪造人脸图像；
步骤二、采用第一卷积神经网络对所述人脸图像进行初步人脸特征提取；
步骤三、对所述人脸图像进行包含纹理特征的传统图像特征提取，采用第二卷积神经网络对所述传统图像特征进行动态调整加工；
步骤四、将通过第一卷积神经网络得到的初步人脸特征和通过第二卷积神经网络加工后的所述传统图像特征在通道维度叠加，获得所述人脸图像的融合特征；
步骤五、对所述融合特征采用第三卷积神经网络进行特征再提取，所述特征再提取使所述初步人脸特征和加工后的传统图像特征进行特征交互；
步骤六、根据步骤五中对融合特征的再提取特征，通过线性分类器及归一化处理输出所述人脸图像真假分类的概率置信度。
2.根据权利要求1所述的深度伪造图像检测方法，其特征在于，还包括以下步骤：
步骤七、根据输入的所述人脸图像的标签和步骤六输出的概率置信度计算损失交叉熵函数；
步骤八、梯度回传，采用优化算法对所述第一卷积神经网络、第二卷积神经网络和第三卷积神经网络进行参数优化；
步骤九、迭代步骤一至步骤八，直到收敛到一个预估计参数或者迭代到固定迭代次数为止。
3.根据权利要求1所述的深度伪造图像检测方法，其特征在于，所述步骤一中，当所述人脸图像的来源为视频时，对所述视频进行抽帧、人脸检测和剪裁以得到人脸图像。
4.根据权利要求1所述的深度伪造图像检测方法，其特征在于，所述步骤二中第一卷积神经网络处理的方式为：feature1=f1(x),式中，feature1为人脸图像的初步人脸特征，f1为卷积神经网络，x是人脸图像；f1包括若干个卷积操作、池化操作、激活函数和归一化操作。
5.根据权利要求4所述的深度伪造图像检测方法，其特征在于，所述步骤三中，所述人脸图像的纹理特征提取过程中，将所人脸图像上的每个像素点由该像素点与局部邻域内的像素值做比较后重新确定像素值。
6.根据权利要求4所述的深度伪造图像检测方法，其特征在于，所述步骤三中，第二卷积神经网络处理的方式为：feature2=f2(L(x))，式中，L为LBP算子，feature2为动态调整加...
【专利技术属性】
技术研发人员：陈建益，田天，
申请(专利权)人：北京智源人工智能研究院，
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。