脸部图像的伪造检测制造技术

在本公开的实施例中，提出了一种脸部图像的伪造检测方法。在输入脸部图像之后，检测脸部图像中是否存在由于不同图像的融合而导致的融合边界，然后，根据检测结果来生成对应的灰度图像，所生成的灰度图像能够揭示输入的脸部图像是否由不同图像的融合而形成。如果所生成的灰度图像中存在与融合边界相对应的可视边界，则说明该脸部图像是伪造的图像；相反，如果灰度图像中不存在可视边界，则说明该脸部图像是真实的图像。因此，本公开的实施例通过检测输入的脸部图像中的融合边界，能够更准确地检测出伪造的脸部图像。此外，根据本公开的实施例的检测模型可以通过自监督的方式使用真实图像进行训练，从而能够使得脸部图像的伪造检测方法更通用。检测方法更通用。检测方法更通用。

Forgery detection of face image

【技术实现步骤摘要】
脸部图像的伪造检测

技术介绍

[0001]人工智能(AI)是指由人类制造出的机器所表现出的智能，AI企图产出一种能以人类智能的方式作出反应的智能机器和/或程序。AI模型的实现通常需要大量的训练数据以及强劲的计算能力。随着信息技术和神经网络研究的不断发展，AI逐渐应用于各种领域和场景，包括聊天机器人、图像识别、语音识别、自然语言处理、自动驾驶、智能医疗，等等。
[0002]AI换脸是一个新兴的AI技术应用，其基于深度学习算法，可以将图像或者视频中的人脸替换成其他的人脸，其操作简单，并且替换之后的图像或者视频可以非常逼真，甚至人类都无法识别图像是否被篡改。AI换脸的迅速发展，使得攻击者能够篡改图像的脸部区域并且生成新的脸部图像，例如，可以改变身份或修改脸部属性。

技术实现思路

[0003]在本公开的实施例中，提出了一种脸部图像的伪造检测方法。在输入脸部图像之后，检测脸部图像中是否存在由于不同图像的融合而导致的融合边界，然后，根据检测结果来生成对应的灰度图像，所生成的灰度图像能够揭示输入的脸部图像是否由不同图像的融合而形成。如果所生成的灰度图像中存在与融合边界相对应的可视边界，则说明该脸部图像是伪造的图像；相反，如果所生成的灰度图像中不存在可视边界，则说明该脸部图像是真实的图像。因此，本公开的实施例通过检测输入的脸部图像中的融合边界，能够更准确地检测出伪造的脸部图像。此外，根据本公开的实施例的检测模型可以通过自监督的方式使用真实图像进行训练，从而能够使得脸部图像的伪造检测方法更通用。
[0004]提供
技术实现思路
部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。
技术实现思路
部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
[0005]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0006]图1示出了其中可以实施本公开的一个或多个实施例的计算设备/服务器的框图；
[0007]图2示出了根据本公开的实施例的真假图像的噪声分析和错误级别分析的示意图；
[0008]图3示出了根据本公开的实施例的脸部图像的伪造检测方法的流程图；
[0009]图4示出了根据本公开的实施例的用于脸部图像的伪造检测的框架的示意图；
[0010]图5示出了基于脸部检测的图像融合过程的示意图；
[0011]图6示出了根据本公开的实施例的用于生成训练数据的过程的示意图；
[0012]图7示出了根据本公开的实施例的根据掩膜图像确定灰度图像的示意图；以及
[0013]图8示出了根据本公开的实施例的用于检测脸部图像中的伪造区域的效果图。
具体实施方式
[0014]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0015]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0016]如今，AI换脸已经变得很流行，尤其是在社交网络上，这引起了人们对其在社交网络和社会中的影响的极大关注。AI换脸后的伪造图像可能出于恶意目的而被滥用，从而可能引起严重的信任问题和安全问题。例如，有些人会使用AI换脸来制作伪造图像，以便达到欺骗或者恶搞的目的。
[0017]当前，存在很多种AI换脸方法或算法，例如DeepFakes(DF)、Face2Face(F2F)、FaceSwap(FS)、NeuralTextures(NT)，等等，这些方法通常是将改变后的脸部融合到已有的背景图像中，通过这种融合方法而得到的脸部图像称为伪造的脸部图像。目前，伪造的脸部图像已经非常逼真，甚至连人类都很难进行分辨。一般来说，AI换脸的真假检测是个很难的任务，因为通常需要在不知道脸部伪造方法的情况下完成真假检测。
[0018]传统地，为了能够区分出伪造的脸部图像与真实的脸部图像，通常是使用真实的脸部图像以及通过某种融合方法生成的伪造的脸部图像来训练二值分类器，以便获得伪造图像检测的高准确率。传统的方法通常是采用有监督的方式进行训练，并且针对已知的脸部伪造方法进行训练和优化，因而针对已知的伪造方法伪造的脸部图像，能够实现较高的检测准确率。然而，这可能仅仅是一种过拟合现象，并且检测仅限于针对性训练的已知伪造方法。而对于未知的伪造方法生成的伪造脸部图像，传统的方法通常无法识别，检测准确率大幅度下降。因此，传统的脸部图像的伪造检测方法是不通用的，并且准确率不稳定而且也不高。
[0019]为此，本公开的实施例提出了一种脸部图像的伪造检测方法，创新性地提出了检测伪造图像中的融合边界，实现了针对通用的脸部伪造检测的较高准确率。本申请的专利技术人发现，如果一个图像是由两个图像融合而成，那么在融合边界内外存在着本质的图像差异。因此，根据本公开的实施例，在输入脸部图像之后，检测脸部图像中是否存在由于不同图像的融合而导致的融合边界，然后根据检测结果来生成对应的灰度图像，所生成的灰度图像能够揭示输入的脸部图像是否由不同图像的融合而形成。也就是说，对于输入的脸部图像，其对应的灰度图像可以根据输入的脸部图像而计算出。该灰度图像不仅能够确定输入的脸部图像是伪造的还是真实的，而且还能够通过可视边界来标识融合边界的位置(在存在融合边界的情况下)。
[0020]根据本公开的实施例，如果所生成的灰度图像中存在可视边界(诸如白色的亮环)，则说明该脸部图像是伪造的图像；相反，如果所生成的灰度图像中不存在可视边界，则说明该脸部图像是真实的图像。因此，本公开的实施例通过检测输入的脸部图像中的融合边界，能够更准确地检测出伪造的脸部图像。由于仅假设融合步骤的存在并且不依赖于与
特定脸部伪造方法相关联的伪像知识，因而根据本公开的实施例的检测方法是通用的。
[0021]此外，根据本公开的一些实施例的检测模型可以通过自监督的方式使用真实图像进行训练，由于没有使用传统的伪造方法生成的伪造图像进行训练，因而根据本公开的实施例的脸部伪造检测方法更加通用，即使对于未知的伪造方法生成的伪造图像，也能取得很高的检测准确率。事实上，本公开的一些实施例甚至可以不需要传统的伪造方法生成的伪造图像来进行训练，由此能够实现针对任何通过图像融合而形成的伪造图像，都具有较高的检测准确率。
[0022]根据本公开的实施例的脸部图像的伪造检测方法可以应用于各种伪造检测场景。例如，可以用于社交网站自动审核用户提交的脸部图像或者视频是否是真实的，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实现的方法，包括：获得包括脸部的输入图像；检测所述输入图像中的融合边界；以及基于所述检测，生成与所述输入图像相关联的灰度图像，所述灰度图像指示所述输入图像中的所述脸部是否被伪造。2.根据权利要求1所述的方法，还包括：确定所述灰度图像中是否存在可视边界，所述可视边界对应于所述融合边界；根据确定所述灰度图像中存在所述可视边界，确定所述输入图像中的所述融合边界内的脸部区域被伪造；以及根据确定所述灰度图像中不存在所述可视边界，确定所述输入图像是真实图像。3.根据权利要求1所述的方法，其中生成与所述输入图像相关联的灰度图像包括：由全卷积神经网络(FCNN)模型来生成所述灰度图像，所述方法还包括：由分类器基于所述灰度图像确定所述输入图像中的所述脸部被伪造的概率，所述分类器是包括池化层、全连接层以及激活层的神经网络模型。4.根据权利要求3所述的方法，还包括：基于训练数据集中的真实图像，生成融合图像和对应的灰度图像；以及使用所述融合图像和所述对应的灰度图像来训练所述FCNN模型。5.根据权利要求4所述的方法，其中生成所述对应的灰度图像包括：检测所述真实图像中的多个脸部关键点；基于所述多个脸部关键点，确定用于替换脸部的至少一部分的掩膜图像；以及根据所述掩膜图像，生成所述对应的灰度图像。6.根据权利要求5所述的方法，其中确定掩膜图像包括：对所述掩膜图像中的掩膜区域进行随机形变；以及对经随机形变的所述掩膜区域的边缘进行高斯模糊。7.根据权利要求5所述的方法，其中生成所述融合图像包括：基于所述脸部关键点，搜索包括与所述真实图像中的所述脸部匹配的另一脸部的目标图像；以及基于所述真实图像、所述目标图像以及所述掩膜图像，生成所述融合图像。8.根据权利要求7所述的方法，其中搜索包括与所述真实图像中的所述脸部匹配的另一脸部的目标图像包括：搜索包括与所述真实图像中的所述脸部匹配的其他脸部的目标图像集合；以及从所述目标图像集合中随机选择一个图像作为所述目标图像。9.根据权利要求2所述的方法，还包括：基于所述灰度图像中的所述可视边界，确定所述输入图像中的伪造区域，所述伪造区域包括所述脸部的至少一部分；以及在所述输入图像上呈现所述伪造区域的指示。10.根据权利要求1所述的方法，其中获得包括脸部的输入图像包括：从视频中提取图像帧；以及根据确定所述图像帧中包括脸部，将所述图像帧确定为所述输入图像。
11.一种电子设备，包括：处理单元；存储器，耦合至所述处理单元并且存储有指令，所述指令在由所述处理单元执行时执行动作，所述动作包括：获得包括脸部的输入图像；检测所...

【专利技术属性】
技术研发人员：鲍建敏，陈栋，杨昊，张婷，闻芳，郭百宁，李凌志，
申请(专利权)人：微软技术许可有限责任公司，
类型：发明
国别省市：