一种基于检测-分割架构的图像篡改盲取证方法技术

本发明专利技术公开了一种基于检测-分割架构的图像篡改盲取证方法，属于深度学习及计算机视觉领域。该方法从语义分割的角度来处理图像的篡改检测问题，采用改进的Mask R-CNN网络进行篡改区域检测与区域分割。在数据预处理阶段，对原始图片进行数据增强，增强样本丰富性。在特征提取阶段，新增一条自下而上的路径实现多级特征信息的融合，进一步获得充足的上下文语义信息。在RPN训练阶段，采用Focal Loss以解决正负样本不平衡问题，使网络更容易收敛。在后处理阶段，采用Soft-NMS算法，以解决重叠检测框所造成的误检、漏检的情况，提高检测召回率。本发明专利技术方法实现了在复杂场景下对多种篡改(方式)图像进行盲取证，有效地提高了篡改区域的检测与定位精度。检测与定位精度。检测与定位精度。

【技术实现步骤摘要】
一种基于检测-分割架构的图像篡改盲取证方法


[0001]本专利技术涉及数字图像取证、计算机视觉以及数字图像处理等领域，具体是一种在没有任何先验信息的情况下对数字图像进行真实性、完整性检测的方法。

技术介绍

[0002]数字图像盲取证技术凭借其不依赖于任何先验信息、直接对图像内容进行取证而成为数字图像取证领域的一个研究重点。随着计算机技术和信息技术的发展，图像篡改变得越来越普及，篡改内容越来越多样，篡改手段越来越复杂，造成了对篡改图像进行盲取证的难度也日益加大。因此，需要研究强有力的盲取证算法，能够精确地对篡改图像进行真实性、完整性检测。
[0003]传统的图像篡改盲取证方法主要是采用“手工设计特征+分类器”的思路进行图像的真伪性检测。这类方法一定程度上解决了图像是否被篡改问题，能够以较为准确地分类篡改图像和真实图像，但对于更高阶的任务——篡改区域的定位与分割等任务研究甚少。近年来，随着深度学习技术的兴起，目前已提出多种基于深度学习的图像篡改盲取证算法，这些方法依靠深度神经网络强大的数据拟合和学习能力，自动地提取图像特征来检测与定位篡改区域。但由于篡改内容的多样性以及篡改方式的复杂性，这些方法通常难以精确地定位图像中的篡改区域。例如，基于经典的Faster R-CNN网络，Adobe公司在2018年提出了当前性能最好的篡改区域检测方法，但方法只能给出篡改区域的概略位置，并且对于大尺度的区域篡改，经常会发生漏检或误检。此外，基于深度学习的方法大多采用图像块训练，检测方式固化。
[0004]本专利从语义分割的角度来处理篡改区域检测问题，提出基于检测-分割架构的图像篡改盲取证算法，采用Mask R-CNN网络结构，同时执行篡改区域检测与篡改区域分割，以提高篡改区域的定位精度。

技术实现思路

[0005]本专利技术的目的，在于针对现有的基于深度学习图像篡改盲取证算法所存在的篡改区域定位不精确、检测方式固化等问题，提出基于检测-分割架构的图像篡改盲取证算法。算法从篡改区域分割的角度出发，在Mask R-CNN基础上，改进特征提取网络以获得多尺度的信息融合，使用focal loss损失函数处理样本不平衡问题，引入改进的非极大值抑制算法来提高检测召回率，从而改善网络对于篡改区域的检测与定位精度。
[0006]为了达成上述目的，本专利技术所采用的技术方案是：
[0007]一种基于检测-分割架构的图像篡改盲取证方法，包括如下具体步骤：
[0008]步骤1：图像数据预处理，即对篡改图像数据集CASIA和Columbia数据集中的图像进行增强预处理，并标注图像得到篡改区域二值模板，划分训练集、验证集和测试集；
[0009]步骤2：设计检测-分割网络，即在Mask R-CNN基础上，针对篡改区域特性，新增一条自下而上、侧向连接的路径以获得多尺度的信息融合，更好捕捉篡改区域位置；
[0010]步骤3：计算网络的损失函数，即在网络的RPN阶段选用Focal loss损失函数以处理样本类别不平衡问题，为整体网络设计损失函数以满足检测-分割任务的需要；
[0011]步骤4：训练网络，即选择优化器以及设置超参数，利用训练集和验证集对步骤2和步骤3中所设计的检测-分割网络进行训练。
[0012]步骤5：网络输出后处理，即将测试集中待检测图片输入训练好的检测-分割网络，采用非极大值抑制法去除重叠程度较高的预测框，进而得到最终篡改区域分割结果。
[0013]进一步的，所述步骤1中的数据预处理包括：随机旋转、随机裁剪、随机亮度、饱和度和对比度变化以及随机水平翻转等操作，所述的训练集、验证集和测试集按照6:2:2划分。
[0014]进一步的，所述的步骤2中的Mask R-CNN结构生成多种尺度特征图{C2，C3，C4，C5}，并采用特征金字塔结构生成特征表示{P2，P3，P4，P5}。而本专利技术在特征金字塔基础上新增一条自下而上的路径，并进行侧向连接，生成一组新的特征表示{N2，N3，N4，N5}，以实现多级尺度信息的进一步融合。
[0015]进一步的，所述步骤3中的损失函数为Focal Loss形式为：
[0016]FL(g
i
)＝-α(1-g
i
)
γ
log(g
i
)
[0017]其中，α为权重因子，γ为聚焦参数，g
i
代表anchor i为篡改区域的概率。
[0018]进一步的，所述步骤4中所述的优化器为SGD优化器，所述的超参数包括学习率、batch_size、学习率衰减。
[0019]进一步的，所属的非极大值抑制算法为Enhanced-NMS算法，Enhanced-NMS算法采用基于高斯加权的置信得分重置函数，定义为：
[0020][0021]式中，σ是高斯函数的标准差，置于0.5。此外，Enhanced-NMS算法每一步的计算复杂度为O(N)，N为图片中检测框的数量。
[0022]有益效果
[0023]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0024]1.本专利技术通过新增一条自下而上、侧向连接的路径，可以充分融合多级尺度特征信息，达到局部信息与上下文语义信息融合的目的，更好地定位篡改区域。
[0025]2.本专利技术在RPN网络的训练阶段，采用Focal Loss损失函数，可以有效处理正负样本不平衡问题。
[0026]3.本专利技术采用新的非极大值抑制算法，通过在检测框置信得分中设置合适衰减函数，有效处理检测框重叠以及漏检问题，进一步提高检测召回率和篡改区域定位精度。
附图说明
[0027]为了更清楚地说明本专利技术的技术方案，下面将对技术方案描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1是本专利技术的整体流程图
[0029]图2是本专利技术的改进的特征金字塔结构示意图
[0030]图3是本专利技术的侧向连接示意图
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0032]如图1所示，是本专利技术算法的基本流程，具体步骤如下：
[0033]如图1所示，一种基于检测-分割架构的图像篡改盲取证方法，具体步骤如下：
[0034]步骤1：图形数据预处理，本实施例的数据图像使用CASIA2和Columbia公开分割数据集的5303张图片，使用标图软件Labelme标出其篡改区域Mask。原始图像和Mask图像尺寸固定为1024*1024，对图片进行随机缩放、翻转、裁剪、抖动等数据增强的方法提高样本的丰富性，并做本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于检测-分割架构的图像篡改盲取证方法，包括如下具体步骤：步骤1：图像数据预处理，即对篡改图像数据集CASIA和Columbia数据集中的图像进行增强预处理，并标注图像得到篡改区域二值模板，划分训练集、验证集和测试集；步骤2：设计检测-分割网络，即在Mask R-CNN基础上，针对篡改区域特性，新增一条自下而上、侧向连接的路径以获得多尺度的信息融合，更好捕捉篡改区域位置；步骤3：计算网络的损失函数，即在网络的RPN阶段选用Focal loss损失函数以处理样本类别不平衡问题，为整体网络设计损失函数以满足检测-分割任务的需要；步骤4：训练网络，即选择优化器以及设置超参数，利用训练集和验证集对步骤2和步骤3中所设计的检测-分割网络进行训练。步骤5：网络输出后处理，即将测试集中待检测图片输入训练好的检测-分割网络，采用非极大值抑制法去除重叠程度较高的预测框，进而得到最终篡改区域分割结果。2.根据权利要求1所述基于检测-分割网络的图像篡改盲取证方法，其特征在于，所述步骤1中的数据预处理包括：随机旋转、随机裁剪、随机亮度、饱和度和对比度变化以及随机水平翻转等操作，所述的训练集、验证集和测试集按照6:2:2划分。3.根据权利要求1所述基于检测-分割网络的图像篡改盲取证方法，其特征在于，所述的步骤2中的Mask R-CNN结构生成多...

【专利技术属性】
技术研发人员：周大可，张志伟，吴子涵，
申请(专利权)人：上海舜瞳科技有限公司，
类型：发明
国别省市：