一种基于视频AI的防伪方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种基于视频AI的防伪方法、系统、设备及存储介质，本方法包括：获取目标视频，并从目标视频划分出多帧目标图像；分别将每帧目标图像输入至深度残差网络中，提取每一帧目标图像的低层特征高分辨率信息和高层特征的强语义信息，输出的每一帧目标图像的最终特征表示向量；将所有目标图像的最终特征表示向量共同输入至LSTM网络中，得到伪造检测结果。本发明专利技术通过深度残差网络来充分提取每一帧图像的特征，将充分提取的图像的特征通过LSTM网络输出的目标视频是否伪造的伪造检测结果；还设置了深度残差网络，能提取图像中的低层特征高分辨率信息和高层特征的强语义信息，充分的挖掘更为全面图像信息，以提高检测的准确度。度。度。

【技术实现步骤摘要】
一种基于视频AI的防伪方法、系统、设备及存储介质


[0001]本专利技术涉及视频防伪
，特别涉及一种基于视频AI的防伪方法、系统、设备及存储介质。

技术介绍

[0002]目前，视频被AI(Artificial Intelligence，人工智能)伪造的问题越来越多，特别是现阶段利用Deepfake技术实现的视频伪造(篡改)技术，达到了以“假”乱真的效果，这将导致很多的负面效果，不利于视频业务的发展。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题。为此，本专利技术提出一种基于视频AI的防伪方法、系统、设备及存储介质，能够准确的检测视频是否AI伪造，提升了视频观看的安全性。
[0004]本专利技术的第一方面，提供了一种基于视频AI的防伪方法，所述基于视频AI的防伪方法包括：
[0005]获取待检测的目标视频，并从所述目标视频划分出连续的多帧目标图像；
[0006]构建深度残差网络，分别将每一帧目标图像输入至所述深度残差网络中，利用所述深度残差网络提取每一帧目标图像的低层特征高分辨率信息和高层特征的强语义信息，得到所述深度残差网络输出的每一帧目标图像的最终特征表示向量；其中，所述深度残差网络由自底而上级联的多个特征提取子网络组成；
[0007]构建LSTM网络，将所有目标图像的所述最终特征表示向量共同输入至所述LSTM网络中，得到所述LSTM网络输出的所述目标视频是否伪造的伪造检测结果。
[0008]根据本专利技术的实施例，至少具有如下技术效果：
[0009](1)本方法利用卷积神经网络(深度残差网络)和循环神经网络(LSTM网络)的结合，第一部分，通过深度残差网络来充分提取每一帧图像的特征；第二部分，将充分提取的图像的特征作用于视频的检测过程，通过LSTM网络输出的目标视频是否伪造的伪造检测结果。
[0010](2)本方法设置了深度残差网络，深度残差网络能够提取图像中的低层特征高分辨率信息，也能提取高层特征的强语义信息，充分的挖掘更为全面图像信息，以提高检测的准确度。
[0011]根据本专利技术的一些实施例，所述构建深度残差网络，分别将每一帧目标图像输入至所述深度残差网络中，利用所述深度残差网络提取每一帧目标图像的低层特征高分辨率信息和高层特征的强语义信息，得到所述深度残差网络输出的每一帧目标图像的最终特征表示向量，包括：
[0012]构建由自底而上级联的多个特征提取子网络组成的深度残差网络；
[0013]将所述目标图像输入至所述深度残差网络中的第一个特征提取子网络中，得到所
述第一个特征提取子网络输出的第一个特征表示向量；将所述第一个特征表示向量输入至第二个特征提取子网络，得到所述第二个特征提取子网络输出的第二个特征表示向量；依次类推，直至得到倒数第一个特征提取子网络输出的倒数第一个特征表示向量；
[0014]将所述倒数第一个特征提取子网络的所述倒数第一个特征表示向量与倒数第二个特征提取子网络的倒数第二个特征表示向量按元素合并，得到所述倒数第二个特征提取子网络的合并后特征表示向量；将所述倒数第二个特征提取子网络的所述倒数第二个特征表示向量与倒数第三个特征提取子网络的倒数第三个特征表示向量按元素合并，得到所述倒数第二个特征提取子网络的合并后特征表示向量；依次类推，直至得到第三个特征提取子网络的第三个特征表示向量与第二个特征提取子网络的第二个特征表示向量按元素合并后产生的所述第二个特征提取子网络的合并后特征表示向量；将所述第二个特征提取子网络的合并后特征表示向量作为所述目标图像的最终特征表示向量。
[0015]根据本专利技术的一些实施例，所述第一个特征提取子网络对输入的所述目标图像进行一次卷积和下采样，得到所述目标图像的第一个特征表示向量；所述第二个特征提取子网络至所述倒数第一个特征提取子网络分别对各自输入的特征表示向量进行卷积和跳跃连接，得到各自输出的特征表示向量。
[0016]根据本专利技术的一些实施例，所述LSTM网络包括级联的双向叠加循环网络和单向隐藏层。
[0017]根据本专利技术的一些实施例，在所述构建LSTM网络之前，所述基于视频AI的防伪方法还包括：为每一帧目标图像的所述最终特征表示向量增加一个自适应权重；所述将所有目标图像的所述最终特征表示向量共同输入至所述LSTM网络中，包括：将所有目标图像的增加自适应权重的所述最终特征表示向量共同输入至所述LSTM网络中。
[0018]根据本专利技术的一些实施例，所述自适应权重通过随机参数初始化生成，且由所述LSTM网络进行自适应调整。
[0019]根据本专利技术的一些实施例，所述第二个特征提取子网络至所述倒数第一个特征提取子网络均包括：多个卷积层和用来串联网络连接的恒等映射。
[0020]本专利技术的第二方面，提供了一种基于视频AI的防伪系统，所述基于视频AI的防伪系统包括：
[0021]视频获取单元，用于获取待检测的目标视频；
[0022]图像划分单元，用于从所述目标视频划分出连续的多帧目标图像；
[0023]特征向量提取单元，用于构建深度残差网络，分别将每一帧目标图像输入至所述深度残差网络中，利用所述深度残差网络提取每一帧目标图像的低层特征高分辨率信息和高层特征的强语义信息，得到所述深度残差网络输出的每一帧目标图像的最终特征表示向量；其中，所述深度残差网络由自底而上级联的多个特征提取子网络组成；
[0024]视频伪造检测单元，用于构建LSTM网络，将所有目标图像的所述最终特征表示向量共同输入至所述LSTM网络中，得到所述LSTM网络输出的所述目标视频是否伪造的伪造检测结果。
[0025]由于基于视频AI的防伪系统采用了上述实施例的基于视频AI的防伪方法的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果。
[0026]本专利技术的第三方面，提供了一种基于视频AI的防伪电子设备，包括至少一个控制
处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的基于视频AI的防伪方法。由于基于视频AI的防伪电子设备采用了上述实施例的基于视频AI的防伪方法的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果。
[0027]本专利技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的基于视频AI的防伪方法。由于可读存储介质采用了上述实施例的基于视频AI的防伪方法的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果。
[0028]需要注意的是，本专利技术的第二方面至第四方面与现有技术之间的有益效果与上述的基于视频AI的防伪方法与现有技术之间的有益效果相同，此处不再细述。
[0029]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频AI的防伪方法，其特征在于，所述基于视频AI的防伪方法包括：获取待检测的目标视频，并从所述目标视频划分出连续的多帧目标图像；构建深度残差网络，分别将每一帧目标图像输入至所述深度残差网络中，利用所述深度残差网络提取每一帧目标图像的低层特征高分辨率信息和高层特征的强语义信息，得到所述深度残差网络输出的每一帧目标图像的最终特征表示向量；其中，所述深度残差网络由自底而上级联的多个特征提取子网络组成；构建LSTM网络，将所有目标图像的所述最终特征表示向量共同输入至所述LSTM网络中，得到所述LSTM网络输出的所述目标视频是否伪造的伪造检测结果。2.根据权利要求1所述的基于视频AI的防伪方法，其特征在于，所述构建深度残差网络，分别将每一帧目标图像输入至所述深度残差网络中，利用所述深度残差网络提取每一帧目标图像的低层特征高分辨率信息和高层特征的强语义信息，得到所述深度残差网络输出的每一帧目标图像的最终特征表示向量，包括：构建由自底而上级联的多个特征提取子网络组成的深度残差网络；将所述目标图像输入至所述深度残差网络中的第一个特征提取子网络中，得到所述第一个特征提取子网络输出的第一个特征表示向量；将所述第一个特征表示向量输入至第二个特征提取子网络，得到所述第二个特征提取子网络输出的第二个特征表示向量；依次类推，直至得到倒数第一个特征提取子网络输出的倒数第一个特征表示向量；将所述倒数第一个特征提取子网络的所述倒数第一个特征表示向量与倒数第二个特征提取子网络的倒数第二个特征表示向量按元素合并，得到所述倒数第二个特征提取子网络的合并后特征表示向量；将所述倒数第二个特征提取子网络的所述倒数第二个特征表示向量与倒数第三个特征提取子网络的倒数第三个特征表示向量按元素合并，得到所述倒数第二个特征提取子网络的合并后特征表示向量；依次类推，直至得到第三个特征提取子网络的第三个特征表示向量与第二个特征提取子网络的第二个特征表示向量按元素合并后产生的所述第二个特征提取子网络的合并后特征表示向量；将所述第二个特征提取子网络的合并后特征表示向量作为所述目标图像的最终特征表示向量。3.根据权利要求2所述的基于视频AI的防伪方法，其特征在于，所述第一个特征提取子网络对输入的所述目标图像进行一次卷积和下采样，得到所述目标图像的第一个特征表示向量；所述第二个特征提取子网络至所述倒...

【专利技术属性】
技术研发人员：黄冬丽，陈勇，马静林，覃宇阁，
申请(专利权)人：广西通信规划设计咨询有限公司，
类型：发明
国别省市：