用于DeepFake鉴伪模型的伪造数据互生成方法技术

本发明专利技术公开一种用于DeepFake鉴伪模型的伪造数据互生成方法，包括：对输入图像进行人脸检测，提取输入的人脸图像；根据输入的人脸图像生成人脸轮廓；在人脸数据库中搜索与前述的人脸轮廓的匹配度符合阈值的人脸轮廓；提取输入的人脸图像的人脸轮廓的内区域以及人脸数据库中匹配到的人脸轮廓的外区域；将输入的人脸图像的人脸轮廓的内区域进行平滑和压缩操作后，与人脸数据库匹配到的人脸轮廓的外区域融合，生成带伪影信息的伪造人脸数据。本发明专利技术可以实现伪造人脸数据的快速生成，满足了训练的需要。练的需要。练的需要。

【技术实现步骤摘要】
用于DeepFake鉴伪模型的伪造数据互生成方法


[0001]本专利技术涉及DEEPFAKE伪造鉴别模型训练
，特别是涉及一种用于DeepFake鉴伪模型的伪造数据互生成方法。

技术介绍

[0002]DEEPFAKE伪造鉴别模型训练的过程中，数据至关重要，数据量与数据种类的增多可以大幅提升模型的性能。数据又可以分为伪造数据与真实数据，在实际训练的过程中，真实数据通过对视频、媒体网站爬虫可以较容易的获得，伪造数据的生成则具有一定的难度。
[0003]通过现有生成算法生成伪造数据的难度主要如下：
[0004]a)生成算法性能稳定性差：目前基于GAN网络的生成算法在大批量的生成过程中，生成的人脸大部分不具备可用性，需要通过手工挑选的方式选出质量较高的人脸。实际过程中，质量较高可用的人脸占总生成人脸的比例不超过20％。
[0005]b)生成算法生成效率低：实际训练过程中，数据的需求量很大，量级在数十万到数百万，甚至千万以上，通过基于GAN网络的生成算法来生成人脸数据，生成效率过低，若生成上万个人脸，不考虑后期人脸挑选，单台8卡GPU服务器依然需要数周的时间。
[0006]c)生成算法对计算资源要求高：基于GAN网络的生成算法在训练、前传过程对服务器的内存、GPU的性能要求很高，且搭建可用于生成算法的服务器资金投入较多。故而一般的小企业、小实验室、个人用户很难具备大批量数据的生成能力。

技术实现思路

[0007]本专利技术的目的是针对现有技术中存在的技术缺陷，而提供一种用于DeepFake鉴伪模型的伪造数据互生成方法，可实现人脸伪造数据的快速生成。
[0008]为实现本专利技术的目的所采用的技术方案是：
[0009]一种用于DeepFake鉴伪模型的伪造数据互生成方法，包括
[0010]对输入图像进行人脸检测，提取输入的人脸图像；
[0011]根据所述输入的人脸图像生成人脸轮廓；
[0012]在人脸数据库中搜索与所述人脸轮廓的匹配度符合阈值的人脸轮廓；
[0013]提取所述输入的人脸图像的人脸轮廓的内区域以及人脸数据库中匹配到的人脸轮廓的外区域；
[0014]将所述输入的人脸图像的人脸轮廓的内区域填充到人脸数据库匹配到的人脸轮廓的外区域中进行融合；
[0015]对融合后图像的人脸轮廓周边像素进行平滑操作，生成带有伪影信息的伪造人脸数据。
[0016]优选的，采用高斯平滑算法对融合后图像的人脸轮廓周边像素进行平滑操作。
[0017]优选的，通过Hu矩轮廓匹配算法在人脸数据库中搜索与所述人脸轮廓的匹配度符合阈值的人脸轮廓。
[0018]优选的，根据所述输入的人脸部图像生成人脸轮廓的步骤是，从所述人脸图像中提取关键点，然后基于所述关键点形成人脸轮廓。
[0019]优选的，采用人脸关键点检测算法，从所述输入的人脸图像中提取人脸关键点，然后按次序将边缘的关键点顺序连线从而形成人脸轮廓。
[0020]优选的，利用轮廓提取方法提取所述输入的人脸图像的人脸轮廓的内区域以及人脸数据库中匹配到的人脸轮廓的外区域；
[0021]其中，所述轮廓提取方法的提取步骤是：
[0022]对待处理的人脸轮廓进行纯0像素填充，获得人脸轮廓Mask；
[0023]基于人脸轮廓Mask对待处理的人脸图像进行遍历处理，得到人脸轮廓的外区域与内区域。
[0024]优选的，对输入图像进行人脸检测，提取输入的人脸图像的步骤之前，还包括步骤：
[0025]对格式正确的输入数据解码，将数据格式统一转换为图像或图像序列，对于图像序列，逐图像输入进行人脸检测，提取输入的人脸图像。
[0026]优选的，对输入图像进行人脸检测，提取输入的人脸图像是基于人脸检测算法，检测出人脸后，提取人脸检测框所限定的人脸图像而实现的。
[0027]其中，输入数据包括视频数据、流媒体数据、图像序列、摄像头采集序列。
[0028]本专利技术的用于DeepFake鉴伪模型的伪造数据互生成方法，通过以上的技术方案，可以实现伪造人脸数据的快速生成，满足了训练的需要。
附图说明
[0029]图1是本专利技术的用于DeepFake鉴伪模型的伪造数据互生成方法的流程图。
[0030]图2为本专利技术的用于DeepFake鉴伪模型的伪造数据互生成的过程示意图。
[0031]图3为本专利技术的提取人脸轮廓的内区域及外区域以进行融合形成融合人脸的示意图。
[0032]图4为本专利技术的提取人脸关键点形成人脸轮廓后提取人脸轮廓外区域及内区域的示意图。
[0033]图5为本专利技术的对融合人脸进行高斯滤波的示意图。
具体实施方式
[0034]以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0035]如图1所示，本专利技术实施例的用于DeepFake鉴伪模型的伪造数据互生成方法，包括步骤：
[0036]对输入图像进行人脸检测，提取输入的人脸图像；
[0037]根据所述输入的人脸图像生成人脸轮廓；
[0038]在人脸数据库中搜索与所述人脸轮廓的匹配度符合阈值的人脸轮廓；
[0039]提取所述输入的人脸图像的人脸轮廓的内区域以及人脸数据库中匹配到的人脸轮廓的外区域；
[0040]将所述输入的人脸图像的人脸轮廓的内区域填充到人脸数据库匹配到的人脸轮廓的外区域中进行融合；
[0041]对融合后图像的人脸轮廓周边像素进行平滑操作，生成带有伪影信息的伪造人脸数据。
[0042]本专利技术实施例中，通过将输入的人脸图像的人脸轮廓的内区域填充到人脸数据库匹配到的人脸轮廓的外区域中，将输入的人脸图像的人脸轮廓的内区域与人脸数据库匹配到的人脸轮廓的外区域进行融合，对融合后图像的人脸轮廓周边像素进行平滑操作，可以实现快速地生成训练用的人脸数据。
[0043]本专利技术实施例中，对输入图像进行人脸检测，提取输入的人脸图像的步骤之前，还进一步的包括以下步骤：
[0044]对格式正确的输入数据解码，将数据格式统一转换为图像或图像序列，对于图像序列，逐图像输入进行人脸检测，提取输入的人脸图像。
[0045]通过将输入的数据转换为图像数据，方便后续进行人脸检测以及人脸轮廓的提取的处理。
[0046]其中，对输入图像进行人脸检测，提取输入的人脸图像时，可以是是基于人脸检测算法，检测出人脸后，提取人脸检测框所限定的人脸图像而实现的。
[0047]前述的人脸检测算法为现有技术，可以采用任何一种可用的人脸检测算法实现，不再赘述。
[0048]本专利技术实施例中，所述的待处理的输入数据可以是包括视频数据、流媒体数据、图像序列、摄像头采集序列等各种数据。
[0049]作为一个可选的实施例，在进行人脸轮廓匹配搜索或查找时，可以通过现有轮廓匹配算法实现，如通过Hu矩轮廓匹配算法，在人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于DeepFake鉴伪模型的伪造数据互生成方法，其特征在于，包括步骤：对输入图像进行人脸检测，提取输入的人脸图像；根据所述输入的人脸图像生成人脸轮廓；在人脸数据库中搜索与所述人脸轮廓的匹配度符合阈值的人脸轮廓；提取所述输入的人脸图像的人脸轮廓的内区域以及人脸数据库中匹配到的人脸轮廓的外区域；将所述输入的人脸图像的人脸轮廓的内区域填充到人脸数据库匹配到的人脸轮廓的外区域中进行融合；对融合后图像的人脸轮廓周边像素进行平滑操作，生成带有伪影信息的伪造人脸数据。2.根据权利要求1所述用于DeepFake鉴伪模型的伪造数据互生成方法，其特征在于，采用高斯平滑算法对融合后图像的人脸轮廓周边像素进行平滑操作。3.根据权利要求1或2所述用于DeepFake鉴伪模型的伪造数据互生成方法，其特征在于，通过Hu矩轮廓匹配算法在人脸数据库中搜索与所述人脸轮廓的匹配度符合阈值的人脸轮廓。4.根据权利要求3所述用于DeepFake鉴伪模型的伪造数据互生成方法，其特征在于，根据所述输入的人脸部图像生成人脸轮廓的步骤是，从所述人脸图像中提取关键点，然后基于所述关键点形成人脸轮廓。5.根据权利要求4所述用于DeepFake鉴伪模型的伪造数据互生成方法，其特征在于，采用人脸关键点检测算法...

【专利技术属性】
技术研发人员：孙哲南，茹一伟，何召峰，
申请(专利权)人：天津中科智能识别有限公司，
类型：发明
国别省市：