【技术实现步骤摘要】
一种基于面部语义内容分解领域泛化框架的深度伪造检测算法
[0001]本专利技术涉及图像处理和取证
,尤其涉及一种基于领域泛化的深度伪造人脸检测算法。
技术介绍
[0002]深度伪造视频检测已成为信息安全领域多媒体取证技术的一个亟待解决的问题。现有的深度伪造被动取证算法主要分为基于传统手工特征与基于数据驱动两类算法。其中,基于传统手工特征的算法是通过提取由篡改操作所带来的与自然图像不一致的统计特征、生物信号特征等实现的,然而这类检测算法仅在一些早期的数据集上表现出较好的检测能力,随着生成模型的不断成熟与生成算法对于明显伪影的重点消除,这类检测算法的检测能力大大减弱。相比之下,基于深度学习的数据驱动算法,通过卷积神经网络或循环神经网络自适应地提取图像和视频中存在的伪影特征,可以更有效地进行深度伪造的视频检测。具体的过程是搜集大量的深度伪造数据集,将其全部馈入到特定的神经网络(例如ResNet、Xception、Transformer等)中,鼓励网络自适应地学习训练集的特征分布,以实现检测模型在目标数据集上的精准预测。然而,现有的基于数据驱动的检测算法所提取到图像的高维特征是高度数据集偏移的,即对训练集过拟合,造成预训练的模型在未知的数据集中检测性能差,即检测模型泛化性差。《Thinking in frequency:Face forgery detection by mining frequency
‑
aware clues》(Qian Y,Yin G,Sheng L,et al.Thinking ...
【技术保护点】
【技术特征摘要】
1.一种基于面部语义内容分解领域泛化框架的深度伪造检测算法,在深度伪造检测中构造了基于面部语义内容分解领域泛化框架,以解决单一数据域中面部语义信息过度拟合从而导致所学习的模型泛化性能差的问题;通过基于面部语义内容分解的双分支特征提取器提取更局部且共享的痕迹特征;基于最大均值差异的非对称对齐约束模块对齐多个源域的特征分布,结合基于最大均值差异的非对称对齐约束损失与分类损失计算总损失,训练并获得目标基于面部语义内容分解的领域泛化框架模型FDDG,包括以下主要步骤:步骤1:获取现有公开的多个深度伪造数据集,这些数据集是由不同的篡改方式生成的,且每个数据集中均具有视频的真伪标签与领域所属标签;将该深度伪造数据集中的任一数据集作为待测的目标域,将目标域以外的数据集作为训练所用的源域;对所述目标域和源域中数据进行包括人脸检测、裁剪、对齐的预处理操作;步骤2:构建基于面部语义内容分解的双分支特征提取器FD
‑
DBN,将步骤1预处理过的深度伪造数据集中的源域数据集馈入到FD
‑
DBN中,其中K代表源域中数据集的个数,上标i代表源域中某一数据集的序号;具体处理方法是,一方面,采用卷积神经网络对整张人脸进行编码,提取全局特征,另一方面,通过对角线方向人脸图像块置乱模块DCSM分解人脸图像,并采用卷积神经网络对分解后的人脸图像进行编码,提取局部特征,最后,通过基于坐标注意力机制的融合模块CAFM融合上述提取的全局与局部特征,获得各源域数据特征集步骤3:3.1通过具有真实特征聚集约束RFC与域内
‑
域间三元组约束ICT的基于最大均值差异的非对称对齐约束模块MAAC,对由步骤2提取的各源域数据特征集FT
s
进行分布适配,计算基于最大均值差异的非对称对齐约束损失3.2由常规深度伪造真伪分类模块将步骤2提取的各源域数据特征集FT
s
结合真伪标签计算分类损失步骤4:结合步骤3中所述与计算总损失通过反向传播训练基于面部语义内容分解的领域泛化框架模型;获得目标基于面部语义内容分解的领域泛化框架模型FDDG;步骤5:采用步骤4训练获得的目标基于面部语义内容分解的领域泛化框架模型FDDG提取待测目标域数据特征并计算预测分数p,若p>0.5,则认定待测数据为真,反之则为假,从而完成深度伪造人脸视频的检测。2.如权利要求1所述的一种基于面部语义内容分解领域泛化框架的深度伪造检测算法,其特征在于步骤2中,所述对角线方向人脸图像块置乱模块DCSM采用如下工作机制:(1)对于给定人脸图像I,将其均匀地划分为N
×
N个不重叠的子块,我们采用一个大小为N
×
N的矩阵A来表示所有子块的序列,其中A(h,w)=(h,w),h,w∈{1,
…
,N};(2)采用基于对角线方向上的交叉置乱机制对矩阵A进行置乱,之乱后的矩阵A
′
表示为:其中,F表示一个副对角线元素均为1,其他元素均为0的大小为N
×
N的变换矩=阵,可表示为:
(3)将原图像按照所述(2)中的变换方式进行图像块序列的置乱,之乱后的图像I
′
可以表示为:3.如权利要求1所述的一种基于面部语义内容分解领域泛化框架的深度伪造检测算法,其特征在于,步骤2中,基于坐标注意力机制的融合模块CAFM的具体方法为:(1)对于大小为(H,W,C)的输入特征f
g<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。