图片、视频检测方法和装置制造方法及图纸

本发明专利技术公开了一种图片、视频检测方法和装置，涉及计算机技术领域。其中，图片检测方法包括：将图片输入检测网络模型，以检测出所述图片中的面部区域和面部中的局部特征区域；将所述图片中的面部区域和面部中的局部特征区域分别输入判别网络模型，以得到面部区域的可信度预测值、以及面部中的局部特征区域的可信度预测值；根据所述面部区域的可信度预测值以及局部特征区域的可信度预测值，识别所述图片是否为合成图片。通过以上步骤，能够提高对合成图片的鉴别准确率。

【技术实现步骤摘要】
图片、视频检测方法和装置
本专利技术涉及计算机
，尤其涉及一种图片、视频检测方法和装置。
技术介绍
随着AI换脸技术的发展，使得普通用户也可轻松实现人脸图片、视频的批量合成。与此同时，人脸图片、视频的真实可信度将大大降低。在进行刷脸支付，照片提报的过程中，如何准确地对采集到的图片进行人脸合成图片、合成视频检测，是防止用户利用虚假信息套利的关键。在现有技术中，主要存在以下两种合成图片检测算法：基于双流FasterR-CNN的合成图片检测算法、以及基于眨眼识别的合成图片检测算法。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：第一种算法多用于鉴别基于传统手段合成的图片，可以有效识别使用PS等工具造成的图片涂抹、拼接等痕迹，判断图片是否属于人工合成图片。但是近年来新兴的基于深度学习的合成图片生成算法，是通过生成对抗网络自主学习训练获得合成图片，局部信息不存在明显差异，因此该算法难以对合成图片进行准确检测。另外，在DeepFake等AI换脸技术的更新迭代过程中，已逐步解决合成视频无法眨眼的问题，最新的合成结果已经本文档来自技高网...

【技术保护点】
1.一种图片检测方法，其特征在于，所述方法包括：/n将图片输入检测网络模型，以检测出所述图片中的面部区域和面部中的局部特征区域；/n将所述图片中的面部区域和面部中的局部特征区域分别输入判别网络模型，以得到面部区域的可信度预测值、以及面部中的局部特征区域的可信度预测值；/n根据所述面部区域的可信度预测值以及局部特征区域的可信度预测值，识别所述图片是否为合成图片。/n

【技术特征摘要】
1.一种图片检测方法，其特征在于，所述方法包括：
将图片输入检测网络模型，以检测出所述图片中的面部区域和面部中的局部特征区域；
将所述图片中的面部区域和面部中的局部特征区域分别输入判别网络模型，以得到面部区域的可信度预测值、以及面部中的局部特征区域的可信度预测值；
根据所述面部区域的可信度预测值以及局部特征区域的可信度预测值，识别所述图片是否为合成图片。


2.根据权利要求1所述的方法，其特征在于，所述根据所述面部区域的可信度预测值以及局部特征区域的可信度预测值，识别所述图片是否为合成图片包括：
根据所述面部区域的可信度预测值以及局部特征区域的可信度预测值，确定所述图片的可信度预测值；将所述图片的可信度预测值与预设阈值进行比较；在所述图片的可信度预测值大于预设阈值的情况下，确认所述图片不是合成图片；在所述图片的可信度预测值小于或等于预设阈值的情况下，确认所述图片是合成图片。


3.根据权利要求2所述的方法，其特征在于，所述根据所述面部区域的可信度预测值以及局部特征区域的可信度预测值，确定所述图片的可信度预测值包括：
根据所述面部区域的可信度预测值以及局部特征区域的可信度预测值，映射得到与所述图片对应的空间向量点；计算所述空间向量点与坐标系原点之间的加权欧式距离，并将所述加权欧式距离作为所述图片的可信度预测值。


4.根据权利要求1所述的方法，其特征在于，所述面部中的局部特征区域包括：眉毛所在区域、眼睛所在区域、鼻子所在区域、嘴所在区域。


5.一种视频检测方法，其特征在于，所述方法包括：
将视频中的多帧图片输入检测网络模型，以检测出所述多帧图片中每一帧图片的面部区域和面部中的局部特征区域；
将所述每一帧图片中的面部区域和面部中的局部特征区域分别输入判别网络模型，以得到该帧图片中的面部区域的可信度预测值、以及面部中的局部特征区域的可信度预测值；
根据每一帧图片中的面部区域的可信度预测值以及局部特征区域的可信度预测值，识别所述视频是否为合成视频。


6.根据权利要求5所述的方法，其特征在于，所述根据每一帧图片中的面部区域的可信度预测值以及局部特征区域的可信度预测值，识别所述视频是否为合成视频包括：
根据每一帧图片中的面部区域的可信度预测值以及局部特征区域的可信度预测值，映射得...

【专利技术属性】
技术研发人员：赵汉青，赵苗苗，
申请(专利权)人：北京沃东天骏信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11