一种基于深度学习伪造人脸视频的检测方法技术

本发明专利技术公开了一种基于深度学习伪造人脸视频的检测方法，包括以下步骤：S1：使用人脸检测模型，对需要检测的图像进行人脸检测，获取包含人脸及小范围背景区域的图像，简称为人脸图像；S2：使用特征滤波模型，对人脸图像进行滤波，得到滤波人脸图像；S3：使用胶囊网络模型，首先对滤波人脸图像提取特征，随后对提取的特征进行预测，给出图像是生成伪造人脸图像的概率，最后判断图像是否是生成伪造人脸图像。本发明专利技术的主要工作模块为胶囊网络模块，本发明专利技术主要针对通过对抗生成网络得到的生成伪造人脸图像进行检测，针对一种较新型的伪造方式得到的图片进行检测，是其它类似发明专利技术所不具备的，具有较高的准确率和较好的鲁棒性。具有较高的准确率和较好的鲁棒性。具有较高的准确率和较好的鲁棒性。

【技术实现步骤摘要】
一种基于深度学习伪造人脸视频的检测方法


[0001]本专利技术涉及电子信息
，特别涉及一种基于深度学习伪造人脸视 频的检测方法。

技术介绍

[0002]在伪造人脸图像检测的相关领域，目前主要采用的是基于循环卷积神经 网络的方法。其中，卷积神经网络主要用于分析图像纹理特征、人脸边缘特 征、头部姿态特征等伪造特征。在这些特征中，大部分针对传统的伪造手段 进行检测，如PS图像特征、翻拍屏幕的摩尔纹特征等等，但这些传统的检测 方法面对目前最新的伪造手段：利用对抗生成网络生成伪造人脸图像，已经 不具备有效的检测能力。其余少部分针对最新的生成伪造人脸图像的手段进 行检测，但目前，这类检测方法仍然不够成熟，检测准确率较低，且鲁棒性 较差。

技术实现思路

[0003]本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于深度学 习伪造人脸视频的检测方法。
[0004]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0005]本专利技术一种基于深度学习伪造人脸视频的检测方法，包括以下步骤：
[0006]S1：使用人脸检测模型，对需要检测的图像进行人脸检测，获取包含人 脸及小范围背景区域的图像，简称为人脸图像；
[0007]S2：使用特征滤波模型，对人脸图像进行滤波，得到滤波人脸图像；
[0008]S3：使用胶囊网络模型，首先对滤波人脸图像提取特征，随后对提取的 特征进行预测，给出图像是生成伪造人脸图像的概率，最后判断图像是否是 生成伪造人脸图像；
[0009]其中步骤S1中包含以下：
[0010]S1.1：使用人脸检测模型对需要检测的图像进行人脸检测，得到图像中 人脸的坐标信息；
[0011]S1.2：根据步骤S1.1中得到的人脸坐标信息，得到人脸中心的坐标，以 该坐标为中心，截取包含人脸及小范围背景区域的正方形图像，简称为人脸 图像；
[0012]步骤S2中包含以下：
[0013]S2.1：将步骤1.1中得到的人脸图像送入滤波器，得到滤波后的人脸图 像；
[0014]步骤S3中包含以下：
[0015]S3.1：将步骤S2.1中得到的滤波后的人脸图像，送入卷积神经网络，得 到纹理特征；
[0016]S3.2：将步骤3.1中得到的纹理特征，以复制的形式将特征送入十个输 入胶囊，经过输入胶囊的计算之后，得到十个输出特征向量；
[0017]S3.3：对十个输出特征向量进行动态路由运算，得到一个输出向量，送 入输出胶囊，经运算之后得到预测概率；
[0018]S3.4：将S3.3得到的预测概率和阈值进行比较，得到预测结果。
[0019]与现有技术相比，本专利技术的有益效果如下：
[0020]1.本专利技术的主要工作模块为胶囊网络模块，这是本专利技术有别于其他类似 专利技术的核心，也是本专利技术检测性能优于其他类似专利技术的根本所在；
[0021]2.本专利技术主要针对通过对抗生成网络得到的生成伪造人脸图像进行检 测，针对一种较新型的伪造方式得到的图片进行检测，是其它类似专利技术所不 具备的，具有较高的准确率和较好的鲁棒性。
附图说明
[0022]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本 专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0023]图1是本专利技术的系统总体示意图；
[0024]图2是本专利技术的人脸获取模型示意图；
[0025]图3是本专利技术的特征滤波模型示意图；
[0026]图4是本专利技术的胶囊网络模块示意图；
[0027]图5是滤波器获得噪声图片示意图。
具体实施方式
[0028]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述 的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0029]实施例1
[0030]如图1-5所示，本专利技术提供一种基于深度学习伪造人脸视频的检测方法， 包括以下步骤：
[0031]S1：使用人脸检测模型，对需要检测的图像进行人脸检测，获取包含人 脸及小范围背景区域的图像，简称为人脸图像；
[0032]S2：使用特征滤波模型，对人脸图像进行滤波，得到滤波人脸图像；
[0033]S3：使用胶囊网络模型，首先对滤波人脸图像提取特征，随后对提取的 特征进行预测，给出图像是生成伪造人脸图像的概率，最后判断图像是否是 生成伪造人脸图像；
[0034]其中步骤S1中包含以下：
[0035]S1.1：使用人脸检测模型对需要检测的图像进行人脸检测，得到图像中 人脸的坐标信息；
[0036]S1.2：根据步骤S1.1中得到的人脸坐标信息，得到人脸中心的坐标，以 该坐标为中心，截取包含人脸及小范围背景区域的正方形图像，简称为人脸 图像；
[0037]步骤S2中包含以下：
[0038]S2.1：将步骤1.1中得到的人脸图像送入滤波器，得到滤波后的人脸图 像；
[0039]步骤S3中包含以下：
[0040]S3.1：将步骤S2.1中得到的滤波后的人脸图像，送入卷积神经网络，得 到纹理特征；
[0041]S3.2：将步骤3.1中得到的纹理特征，以复制的形式将特征送入十个输 入胶囊，经
过输入胶囊的计算之后，得到十个输出特征向量；
[0042]S3.3：对十个输出特征向量进行动态路由运算，得到一个输出向量，送 入输出胶囊，经运算之后得到预测概率；
[0043]S3.4：将S3.3得到的预测概率和阈值进行比较，得到预测结果。
[0044]实施例提供的基于胶囊网络的伪造人脸图像的检测方法，将人脸图像是 否为伪造图像看成是一个图像分类问题，提出一种采用胶囊网络预测人脸图 像是否经过伪造的概率，并最终确定是否为伪造图片。具体实施时，由于伪 造的人脸图像中，人脸区域与图像背景区域的纹理不完全一致，因此可以通 过对图像隐含的纹理信息进行提取，再用胶囊网络提取相应的深度特征，然 后对相应的预测概率进行阈值化分，分成伪造或真实，将预测概率与阈值进 行比较，最终判定人脸图像是否为伪造图像。
[0045]图1是根据一示例性实施例示出的基于胶囊网络的伪造人脸图像的检测 方法的流程图，参照图1所示，该方法包括如下步骤：
[0046]S1：使用人脸获取模块，对需要检测的图像进行人脸检测，获取包含人 脸及小范围背景区域的图像，简称为人脸图像；
[0047]具体的，对需鉴定的图像进行适当裁剪是一个非常重要的过程。本专利技术 主要针对图像中的人俩区域是否经过伪造进行检测，不关注图像中其余区域。 如果直接对整张图像进行检测，人脸区域所占的比例太小，检测模型可能会 无法关注到人脸区域以提取合适的特征。因此截取合适大小的人脸区域和小 范围背景区域，能够提升检测模型的有效性。
[0048]图2是根据一示例性实施例示出的使用人脸获取模型，对需要检测的图 像进行人脸检测，获取包含人脸及小范本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习伪造人脸视频的检测方法，其特征在于，包括以下步骤：S1：使用人脸检测模型，对需要检测的图像进行人脸检测，获取包含人脸及小范围背景区域的图像，简称为人脸图像；S2：使用特征滤波模型，对人脸图像进行滤波，得到滤波人脸图像；S3：使用胶囊网络模型，首先对滤波人脸图像提取特征，随后对提取的特征进行预测，给出图像是生成伪造人脸图像的概率，最后判断图像是否是生成伪造人脸图像；其中步骤S1中包含以下：S1.1：使用人脸检测模型对需要检测的图像进行人脸检测，得到图像中人脸的坐标信息；S1.2：根据步骤S1.1中得到的人脸坐标信息，得到人脸中心的坐标，以该...

【专利技术属性】
技术研发人员：徐华建，汤敏伟，袁顺杰，李真，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：