一种基于改进DPN网络的数字图像篡改检测方法技术

本发明专利技术公开了一种基于改进DPN网络的数字图像篡改检测方法，涉及数字图像安全领域。通过改进的DPN神经网络进行训练，利用已训练好的卷积神经网络提取篡改特征向量，通过网络的全连接层来获取篡改图像篡改的概率进而判定待检测图像的类型，最后对篡改检测网络模型进行评估。本发明专利技术结合传统图像处理方法和神经网络的优点，对现有的深度学习检测方法进行改进，使得网络特征提取更为充分，网络收敛更为快速，网络预测精度更高。网络预测精度更高。网络预测精度更高。

【技术实现步骤摘要】
一种基于改进DPN网络的数字图像篡改检测方法


[0001]本专利技术涉及数字图像安全领域，尤其涉及一种基于改进DPN网络的数字图像篡改检测方法。

技术介绍

[0002]互联网的普及以及多媒体技术的迅速发展，社交媒体以其低成本高收益成为当下主要信息传播平台，其中数字图像以其直观地传达信息的特点在诸多领域中扮演着不可或缺的角色，但是同时也带来诸多困扰与挑战。一方面是图像编辑软件的流行以及数字图像处理技术的成熟，通过修改图像内容并对篡改痕迹进行后处理，使得篡改图像越难以简单通过人眼辨别，其次是多媒体技术和网络通信的发展，虚假图像呈现逐年上升的趋势，数字图像安全隐患日益严重，由此引发的盗版问题和信息安全隐患同样成为社会问题，因此如何有效辨别图像的真实性成为当前需迫切解决的问题。
[0003]针对篡改图像，当前主要分为两类：拼接，复制
‑
粘贴，删除三种对图像内容进行修改，这类篡改方式误导性较大，其它的修改方式比如模糊，压缩，滤波大多是为掩盖篡改痕迹而进行的后处理操作危害性较小。研究发现，尽管篡改图像可能不会留下一些视觉上的线索，但是在篡改的过程中一定改变了图像的内在统计信息，而基于图像内容篡改特征提取的数字图像篡改的检测技术主要是分析数字图像的内在统计信息特征来对图像的真实性，完整性进行鉴别。目前基于图像内容的数字图像篡改检测技术主要可以分为两大类，一类基于传统数字图像处理方法的被动取证技术，另一类是基于深度学习的图像被动取证技术。传统的图像篡改检测技术通常通过分析篡改类型的独特性手动设计特征向量进行特征提取进而进行图像分类，但在人为的设计特征带来额外巨大工作量的同时特征提取与分类任务的分离在一定程度上制约了篡改检测的精确度。而随着深度学习的发展，卷积神经网络在数字图像领域取得巨大的进展。基于深度学习的数字图像篡改检测技术利用深度学习方法的自适应性在大量数据集的支撑下使得网络模型能够自动学习提取有效特征。早期有相关学者使用卷积神经网络实现端对端的图像篡改检测分类。但是由于篡改特征的特殊性，图像篡改分类需要更多关注网络低层的边缘特征信息，而非高层的语义特征信息，传统图像分类网络模型并不能有效的解决这类问题。
[0004]现有技术中，传统方法人为设计特征提取，提取特征工作量大，提取分类任务分离检测精确度低。由于篡改特征的特殊性，传统的深度学习分类网络不能有效提取篡改特征，精确度有待提高。深度学习分类任务中更多关注语义信息，而忽略低层的篡改边缘特征信息。
[0005]因此，本领域的技术人员致力于开发一种基于改进DPN网络的数字图像篡改检测方法。结合传统数字图像处理方法和深度学习方法的各自优势，有效解决人为提取特征的难题，使得图像篡改检测网络更加高效准确。

技术实现思路

[0006]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是解放了人为设计特征提取特征，实现端对端的图像自适应的特征提取，篡改检测；针对篡改特征的特殊性，通过深度学习与传统方法相结合，有效准确提取篡改特征；通过改进DPN网络关注低层篡改特征信息，提高图像篡改检测任务的准确率。
[0007]为实现上述目的，本专利技术提供了一种基于改进DPN网络的数字图像篡改检测方法，包括以下步骤：
[0008]步骤1、数据集准备及预处理；
[0009]步骤2、篡改检测模型搭建，搭建改进的DPN网络模型，包含特征提取环节与分类环节；
[0010]步骤3、篡改检测模型训练与调参，加载训练集与验证集，初始化超参数；
[0011]步骤4、篡改检测模型测试与评估，通过加载训练权重，在测试集上进行测试，最后对篡改检测模型的性能进行评估。
[0012]进一步地，所述步骤1，数据集分为训练集、验证集、测试集。
[0013]进一步地，所述步骤1，预处理包括固定图像大小、随机水平翻转、归一化、标准化。
[0014]进一步地，所述步骤2，特征提取环节对篡改特征进行提取。
[0015]进一步地，所述步骤2，分类环节对篡改分类特征转化为相应类别概率，进行判别。
[0016]进一步地，所述步骤2，利用篡改区域周围的细微边界伪影，通过数字图像处理技术SRM滤波器对篡改边缘相邻像素相关性改变的信息进行捕获。
[0017]进一步地，所述步骤3，超参数包括学习率、优化器、损失函数、batch
‑
size、dropout、epoch、学习衰减率。
[0018]进一步地，所述步骤1，将图片大小固定到256*256。
[0019]进一步地，所述步骤1，将图像转换为tensor格式。
[0020]进一步地，所述步骤1，图片使用normalize标准化处理。
[0021]在本专利技术的较佳实施方式中，本专利技术提供了一种基于改进的DPN的深度学习数字图像篡改检测方法，结合传统的数字图像处理技术与深度学习的优点，通过预处理并自动提取篡改特征检测图像篡改类型，模型特征提取更为充分，模型检测精确度更高。
[0022]按照本专利技术所提供的设计方案，提供了一种基于改进的DPN网络的深度学习数字图像篡改检测方法，包含以下步骤：
[0023]1、数据集准备及预处理：对现有的图像篡改公共数据集进行收集如CASIA1.0,CASIA2.0；按照一定的比例划分为训练集、验证集、测试集；对以上公共数据集进行自定义训练数据集制定标签以及对应的数字索引；在模型训练数据集加载过程中使用常见的深度学习训练数据集处理方式：固定图像大小，随机水平翻转、归一化、标准化等一系列处理，在提高数据多样性的同时，加快网络的收敛速度。
[0024]2、篡改检测模型搭建：在前期调研中发现，对于虚假图像篡改检测分类任务可以采用网络特征提取+分类器的范式。其中经典的Resnet与Densenet都是有效的网络基准。具体表现在：Resnet本质是在对之前层级中已提取特征的复用，通过添加Resnet分支对早期提取的篡改边缘特征信息进行有效保留和提取。对于密集连接的Densenet通过密集连接通路能够有效探索新特征。但是根据任务的特殊性，不仅仅只关注篡改图像的高级语义信息，
而且需要捕获某个像素的篡改带来相邻像素之间相关性发生变化的信息。本专利技术结合上述两者各自优势，同时受DPN网络的启发，搭建了改进的DPN网络模型，使得模型在训练过程中复用低层的边缘特征信息的同时有效提取新的特征。如图2所示：本专利技术模型框架中包含了特征提取环节与分类环节其中特征提取环节主要对篡改特征进行提取，分类环节对篡改分类特征转化为相应类别概率进而进行判别。具体描述如下：
[0025]利用篡改区域周围的细微边界伪影，通过传统的数字图像处理技术SRM滤波器对篡改边缘相邻像素相关性改变的信息进行捕获，使得模型在学习的过程中考虑语义信息的同时也考虑到篡改图像的噪声信息。具体表现在：使用传统图像处理方式进行预处理SRM(
·
)通过封装成可学习的SRM卷积核在网络训练中更新权重，消除图像内容对隐写特征信息的干扰，抑制图像的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进DPN网络的数字图像篡改检测方法，其特征在于，包括以下步骤：步骤1、数据集准备及预处理；步骤2、篡改检测模型搭建，搭建改进的DPN网络模型，包含特征提取环节与分类环节；步骤3、篡改检测模型训练与调参，加载训练集与验证集，初始化超参数；步骤4、篡改检测模型测试与评估，通过加载训练权重，在测试集上进行测试，最后对篡改检测模型的性能进行评估。2.如权利要求1所述的基于改进DPN网络的数字图像篡改检测方法，其特征在于，所述步骤1，数据集分为训练集、验证集、测试集。3.如权利要求1所述的基于改进DPN网络的数字图像篡改检测方法，其特征在于，所述步骤1，预处理包括固定图像大小、随机水平翻转、归一化、标准化。4.如权利要求1所述的基于改进DPN网络的数字图像篡改检测方法，其特征在于，所述步骤2，特征提取环节对篡改特征进行提取。5.如权利要求1所述的基于改进DPN网络的数字图像篡改检测方法，其特征在于，所述步骤2，分类环节...

【专利技术属性】
技术研发人员：郭颖，李海虎，李晋宏，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：