本申请实施例提供了一种基于多尺度的多级特征融合的人脸图像检测方法以及装置。本方法先将待检测人脸图像放大得到高分辨率图像；两种不同分辨率图像在特征提取网络中的两条支路上进行全部卷积后得到两种高级特征图，同时提取在两条支路中途若干次卷积后对应两种低级特征图，然后充分学习两种低级特征图的不同尺度信息，得到融合后的低级特征图；最后将融合后的低级特征图和两种高级特征图进行层级特征融合，保证低级特征所提取的特征信息不丢失的同时，能够与所提取的高级特征进行融合，提取和利用人脸伪造中更具一般性的特征，提高模型的对于人脸检测的泛化能力，进而提高判断人脸图像伪造的准确度；最后基于融合特征图进行判断人脸是否伪造。图进行判断人脸是否伪造。图进行判断人脸是否伪造。
【技术实现步骤摘要】
基于多尺度的多级特征融合的人脸图像检测方法以及装置
[0001]本申请实施例涉及人脸伪造检测处理
，尤其涉及一种基于多尺度的多级特征融合的人脸图像检测方法以及装置。
技术介绍
[0002]目前，常通过深度学习技术实现人脸伪造检测，基于深度学习的人脸伪造检测虽然在单一数据集内的检测结果已经很不错，但是在跨数据集方面的性能却差强人意，存在泛化性能较差的缺陷，这样导致人脸伪造检测的准确度较差。
技术实现思路
[0003]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0004]本公开实施例的主要目的在于提出一种基于多尺度的多级特征融合的人脸图像检测方法以及装置，能提高模型的对于人脸检测的泛化能力，进而提高判断人脸图像伪造的准确度。
[0005]为实现上述目的，本公开实施例的第一方面提出了一种基于多尺度的多级特征融合的人脸图像检测方法，所述基于多尺度的多级特征融合的人脸图像检测方法包括：
[0006]获取待检测人脸图像；
[0007]将所述待检测人脸图像放大，得到高分辨率图像；
[0008]将所述待检测人脸图像输入至预设特征提取网络中的第一支路网络进行多轮卷积，得到所述第一支路网络输出的第一高级特征图，将所述高分辨率图像输入所述特征提取网络中的第二支路网络进行多轮卷积，得到所述第二支路网络输出的第二高级特征图；
[0009]将所述第一支路网络中经过若干轮所述卷积后得到的第一低级特征图和所述第二支路网络中经过若干轮所述卷积后得到的第二低级特征图输入至预设第一尺度融合网络中进行多尺度信息融合，得到所述第一尺度融合网络输出的第三低级特征图；
[0010]将所述第一高级特征图、所述第二高级特征图和所述第三低级特征图输入至预设层级特征融合网络中进行层级特征融合，得到最终融合特征图；
[0011]根据所述最终融合特征图判断所述待检测人脸图像的真伪情况。
[0012]在一些实施例中，所述层级特征融合网络还包括第二尺度融合网络，其中，所述层级特征融合网络通过如下方式对所述第一高级特征图、所述第二高级特征图和所述第三低级特征图进行层级特征融合，得到最终融合特征图：
[0013]将所述第一高级特征图和所述第二高级特征图输入至所述第二尺度融合网络中进行多尺度信息融合，得到所述第二尺度融合网络输出的第三高级特征图；
[0014]对所述第三低级特征图的通道数和尺度进行调整，以使调整后的所述第三低级特征图的通道数和尺度与所述第三高级特征图一致；
[0015]将所述第三高级特征图和调整后的所述第三低级特征图进行元素相加，得到最终
融合特征图。
[0016]在一些实施例中，所述第一尺度融合网络通过如下方式对所述第一低级特征图和所述第二低级特征图进行多尺度信息融合，得到第三低级特征图：
[0017]将所述第一低级特征图进行CBR处理，得到第一中间特征图；
[0018]将所述第二低级特征图进行CBR处理，得到第二中间特征图，将所述第二中间特征图分别进行最大池化与平均池化后进行特征元素相加，得到第三中间特征图，将所述第三中间特征图进行CBR处理，得到第四中间特征图；
[0019]拼接所述第一中间特征图和所述第四中间特征图，得到第五中间特征图；
[0020]将所述第五中间特征图进行连续多次CBR处理和单次卷积后，得到第六中间特征图；
[0021]将所述第六中间特征图分别与所述第一低级特征图和所述第二低级特征图进行元素相乘，分别得到第七中间特征图和第八中间特征图；
[0022]将所述第七中间特征图和所述第八中间特征图进行元素相加，得到所述第三低级特征图。
[0023]在一些实施例中，所述第二尺度融合网络和所述第一尺度融合网络的网络结构相同。
[0024]在一些实施例中，所述对所述第三低级特征图的通道数和尺度进行调整，包括：
[0025]采用空洞空间卷积池化金字塔对所述第三低级特征图进行通道数调整，并采用平均池化层对所述第三低级特征图进行尺度调整。
[0026]在一些实施例中，所述根据所述最终融合特征图判断所述待检测人脸图像的真伪情况，包括：
[0027]将所述最终融合特征图转换成一维向量；
[0028]将所述一维向量输入到全连接层进行预测，得到所述全连接层判断的所述待检测人脸图像的真伪情况。
[0029]在一些实施例中，所述将所述待检测人脸图像放大，包括：
[0030]采用双线性插值将所述待检测人脸图像放大。
[0031]为实现上述目的，本公开实施例的第二方面提出了一种基于多尺度的多级特征融合的人脸图像检测装置，所述基于多尺度的多级特征融合的人脸图像检测装置包括：
[0032]人脸图像获取单元，用于获取待检测人脸图像；
[0033]人脸图像放大单元，用于将所述待检测人脸图像放大，得到高分辨率图像；
[0034]高级特征提取单元，用于将所述待检测人脸图像输入至预设特征提取网络中的第一支路网络进行多轮卷积，得到所述第一支路网络输出的第一高级特征图，将所述高分辨率图像输入所述特征提取网络中的第二支路网络进行多轮卷积，得到所述第二支路网络输出的第二高级特征图；
[0035]多尺度特征融合单元，用于将所述第一支路网络中经过若干轮所述卷积后得到的第一低级特征图和所述第二支路网络中经过若干轮所述卷积后得到的第二低级特征图输入至预设第一尺度融合网络中进行多尺度信息融合，得到所述第一尺度融合网络输出的第三低级特征图；
[0036]多层级特征融合单元，用于将所述第一高级特征图、所述第二高级特征图和所述
第三低级特征图输入至预设层级特征融合网络中进行层级特征融合，得到最终融合特征图；
[0037]真伪情况判断单元，用于根据所述最终融合特征图判断所述待检测人脸图像的真伪情况。
[0038]为实现上述目的，本公开实施例的第三方面提出了一种电子设备，包括至少一个存储器；
[0039]至少一个处理器；
[0040]至少一个计算机程序；
[0041]所述计算机程序被存储在所述存储器中，处理器执行所述至少一个计算机程序以实现：
[0042]如第一方面实施例任一项所述的基于多尺度的多级特征融合的人脸图像检测方法。
[0043]为实现上述目的，本公开实施例的第四方面还提出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：
[0044]如第一方面实施例任一项所述的一种基于多尺度的多级特征融合的人脸图像检测方法。
[0045]本申请实施例第一方面提供了一种基于多尺度的多级特征融合的人脸图像检测方法，本方法利用不同的缩放比例图像通常包含其特定信息为出发点，先将待检测人脸图像放大，得到高分辨率图像；然后将两种不同分辨率的图像输入至特征提取网络中形成双流网络，两种图像分别在两条支路上完成全部本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度的多级特征融合的人脸图像检测方法，其特征在于，所述基于多尺度的多级特征融合的人脸图像检测方法包括：获取待检测人脸图像；将所述待检测人脸图像放大，得到高分辨率图像；将所述待检测人脸图像输入至预设特征提取网络中的第一支路网络进行多轮卷积，得到所述第一支路网络输出的第一高级特征图，将所述高分辨率图像输入所述特征提取网络中的第二支路网络进行多轮卷积，得到所述第二支路网络输出的第二高级特征图；将所述第一支路网络中经过若干轮所述卷积后得到的第一低级特征图和所述第二支路网络中经过若干轮所述卷积后得到的第二低级特征图输入至预设第一尺度融合网络中进行多尺度信息融合，得到所述第一尺度融合网络输出的第三低级特征图；将所述第一高级特征图、所述第二高级特征图和所述第三低级特征图输入至预设层级特征融合网络中进行层级特征融合，得到最终融合特征图；根据所述最终融合特征图判断所述待检测人脸图像的真伪情况。2.根据权利要求1所述的基于多尺度的多级特征融合的人脸图像检测方法，其特征在于，所述层级特征融合网络还包括第二尺度融合网络，其中，所述层级特征融合网络通过如下方式对所述第一高级特征图、所述第二高级特征图和所述第三低级特征图进行层级特征融合，得到最终融合特征图：将所述第一高级特征图和所述第二高级特征图输入至所述第二尺度融合网络中进行多尺度信息融合，得到所述第二尺度融合网络输出的第三高级特征图；对所述第三低级特征图的通道数和尺度进行调整，以使调整后的所述第三低级特征图的通道数和尺度与所述第三高级特征图一致；将所述第三高级特征图和调整后的所述第三低级特征图进行元素相加，得到最终融合特征图。3.根据权利要求2所述的基于多尺度的多级特征融合的人脸图像检测方法，其特征在于，所述第一尺度融合网络通过如下方式对所述第一低级特征图和所述第二低级特征图进行多尺度信息融合，得到第三低级特征图：将所述第一低级特征图进行CBR处理，得到第一中间特征图；将所述第二低级特征图进行CBR处理，得到第二中间特征图，将所述第二中间特征图分别进行最大池化与平均池化后进行特征元素相加，得到第三中间特征图，将所述第三中间特征图进行CBR处理，得到第四中间特征图；拼接所述第一中间特征图和所述第四中间特征图，得到第五中间特征图；将所述第五中间特征图进行连续多次CBR处理和单次卷积后，得到第六中间特征图；将所述第六中间特征图分别与所述第一低级特征图和所述第二低级特征图进行元素相乘，分别得到第七中间特征图和第八中间特征图；将所述第七中间特征图和所述第八中间特征图进行元素相加，得到所述第三低级特征图。4.根据权利要求3所...
【专利技术属性】
技术研发人员：章登勇，黎岱杰，李峰，宫蓉蓉，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
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。