一种深度伪造人脸图像检测方法及装置制造方法及图纸

本说明书实施例公开了一种深度伪造人脸图像检测方法，包括：响应于人脸图像检测请求，获取待检测的人脸图像；将所述人脸图像进行分割，得到人脸局部图像；针对每一幅所述人脸局部图像，将该人脸局部图像输入对应的真实度评价子模型，得到针对该人脸局部图像的真实度评价分数；基于每幅人脸局部图像的真实度评价分数，得到所述人脸图像的检测结果，所述检测结果用于表征所述人脸图像是否经过伪造。相应地，本发明专利技术公开了深度伪造人脸图像检测装置。本发明专利技术公开了深度伪造人脸图像检测装置。本发明专利技术公开了深度伪造人脸图像检测装置。

【技术实现步骤摘要】
一种深度伪造人脸图像检测方法及装置


[0001]本说明书实施例涉及机器学习
，具体涉及一种深度伪造人脸图像检测方法及装置。

技术介绍

[0002]深度伪造是指使用人工智能和深度学习技术对音视频媒体数据进行操纵和篡改的造假技术。目前对深度伪造图像进行检测的方法通常是直接对整张人脸图像笼统地进行二分类判断，这种检测方案在人脸局部区域深度伪造的场景下，检测精度较低。

技术实现思路

[0003]本专利技术的目的之一在于提供一种深度伪造人脸图像检测方法，该方法能够进行更精细的人脸局部区域检测，获得更准确的、可解释性更高的检测结果。
[0004]根据上述专利技术目的，本说明书实施例提出了一种深度伪造人脸图像检测方法，包括以下步骤：
[0005]响应于人脸图像检测请求，获取待检测的人脸图像；
[0006]将所述人脸图像进行分割，得到人脸局部图像；
[0007]针对每一幅所述人脸局部图像，将该人脸局部图像输入对应的真实度评价子模型，得到针对该人脸局部图像的真实度评价分数；
[0008]基于每幅人脸局部图像的真实度评价分数，得到所述人脸图像的检测结果，所述检测结果用于表征所述人脸图像是否经过伪造。
[0009]在本说明书实施例中，提出了针对人脸局部分区真实度的深度伪造人脸图像检测方法，不同于笼统的二分类，本方法针对人脸五官进行分区裁剪得到若干人脸局部区域的图像块，然后针对这些人脸局部图像分别训练精细化的真实度评价子模型各自进行真实度打分，最后整张人脸图像的检测结果基于每幅人脸局部图像的真实度评价分数获得。充分考虑了人脸上不同五官的伪造难度，获得更准确的深度伪造检测结果；同时也有利于用户定位并核实伪造可能性较高的局部区域，获得可解释性较高的深度伪造检测结果。
[0010]进一步地，在一些实施方式中，在对所述人脸图像进行分割之前，还包括：
[0011]将所述人脸图像输入人脸质量评价模型，得到所述人脸质量评价模型针对该人脸图像的人脸质量评价分数；
[0012]当所述人脸质量评价分数小于预设的人脸质量分数阈值时，重新获取人脸图像。
[0013]更进一步地，在一些实施方式中，所述人脸质量评价模型为二分类模型；得到所述人脸质量评价模型针对所述人脸图像的人脸质量评价分数，包括：
[0014]通过所述人脸质量评价模型提取所述人脸图像的图像特征，并基于所述人脸质量评价模型的决策边界和所述图像特征，确定所述人脸图像的分类结果所对应的人脸质量评价分数。
[0015]进一步地，在一些实施方式中，在对所述人脸图像进行分割之前，还包括：
[0016]将所述人脸图像中的人脸区域的位姿调整至预设位置。
[0017]更进一步地，在一些实施方式中，所述人脸区域为正脸区域；将所述人脸图像中的人脸区域的位姿调整至预设位置，具体包括：
[0018]提取所述人脸图像中的人脸区域，确定所述人脸区域的关键点；
[0019]基于所述人脸区域中关键点和预设的标准位置点，确定将所述关键点调整至所述标准位置点的仿射变换矩阵；
[0020]基于所述仿射变换矩阵将所述人脸区域调整至所述预设位置。
[0021]进一步地，在一些实施方式中，所述人脸局部图像按照人脸五官分割得到，所述人脸局部图像包括：左眼局部图像、右眼局部图像、鼻子局部图像和嘴巴局部图像。
[0022]进一步地，在一些实施方式中，所述人脸图像通过人脸图像分割模型进行分割；所述人脸图像分割模型包括关键点检测网络和区域分割模型；将所述人脸图像输入人脸图像分割模型，得到人脸局部图像，具体包括：
[0023]通过所述关键点检测网络提取所述人脸图像的关键点信息；
[0024]将所述关键点信息输入所述区域分割模型，得到所述关键点信息与预设分割区域之间的对应关系；
[0025]基于所述关键点信息与预设分割区域之间的对应关系，确定与所述预设分割区域对应的人脸局部图像。
[0026]进一步地，在一些实施方式中，所述真实度评价子模型采用以下方式预先训练得到：
[0027]获取训练样本图像，所述训练样本图像包括未经过伪造的正样本图像和经过伪造的负样本图像；
[0028]针对每一个所述训练样本图像，确定该训练样本图像的二分类监督标签，所述二分类监督标签用于表征该训练样本图像对应的真实度评价分数；
[0029]确定所述真实度评价子模型的评价损失，所述评价损失代表所述真实度评价子模型对所述训练样本图像进行预测得到的预测结果与所述训练样本图像的二分类监督标签之间的差异；
[0030]将所述训练样本图像输入预先构建的网络模型，基于所述评价损失对所述网络模型进行训练，得到所述真实度评价子模型。
[0031]更进一步地，在一些实施方式中，所述评价损失采用交叉熵损失函数，用于最小化所述真实度评价子模型对所述训练样本图像的预测结果与所述训练样本图像的二分类监督标签之间的差异。
[0032]进一步地，在一些实施方式中，所述基于所述真实度评价分数得到所述人脸图像的检测结果，具体包括：
[0033]基于每一幅所述人脸局部图像的真实度评价分数和该人脸局部图像的真实度分数阈值，确定该人脸局部图像是否为伪造图像；
[0034]针对同一幅所述人脸图像，若存在至少一幅所述人脸局部图像为伪造图像，则确定所述人脸图像的检测结果为存在伪造对象；否则，确定所述人脸图像的检测结果为不存在伪造对象。
[0035]进一步地，在一些实施方式中，所述基于所述真实度评价分数得到所述人脸图像
的检测结果，具体包括：
[0036]针对同一幅所述人脸图像，确定该人脸图像中每一幅所述人脸局部图像的真实度评价分数对应的权重系数；
[0037]基于所述权重系数对该人脸图像的所有人脸局部图像的真实度评价分数进行加权求和，得到该人脸图像的真实度总分；
[0038]基于所述真实度总分和预设的人脸图像真实度分数阈值，得到该人脸图像的检测结果。
[0039]本专利技术的另一目的在于提供一种深度伪造人脸图像检测装置，该装置能够通过更精细的人脸局部区域检测获得更准确的评价结果。
[0040]根据上述专利技术目的，本说明书实施例提出了一种深度伪造人脸图像检测装置，包括：
[0041]图像获取模块，配置为响应于人脸图像检测请求，获取待检测的人脸图像；
[0042]人脸图像分割模块，配置将所述人脸图像进行分割，得到人脸局部图像；
[0043]人脸局部图像评价模块，配置为基于真实度评价子模型对所述人脸局部图像进行评价，得到每幅人脸局部图像的真实度评价分数；
[0044]检测结果生成模块，配置为基于所述真实度评价分数得到所述人脸图像的检测结果，所述检测结果用于表征所述人脸图像是否经过伪造。
[0045]进一步地，在一些实施方式中，所述图像获取模块包括图像采集模块和人脸质量评价模块；
[0046]所述图像采集模块，配置为响应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度伪造人脸图像检测方法，包括：响应于人脸图像检测请求，获取待检测的人脸图像；将所述人脸图像进行分割，得到人脸局部图像；针对每一幅所述人脸局部图像，将该人脸局部图像输入对应的真实度评价子模型，得到针对该人脸局部图像的真实度评价分数；基于每幅人脸局部图像的真实度评价分数，得到所述人脸图像的检测结果，所述检测结果用于表征所述人脸图像是否经过伪造。2.如权利要求1所述的方法，在对所述人脸图像进行分割之前，还包括：将所述人脸图像输入人脸质量评价模型，得到所述人脸质量评价模型针对该人脸图像的人脸质量评价分数；当所述人脸质量评价分数小于预设的人脸质量分数阈值时，重新获取人脸图像。3.如权利要求2所述的方法，所述人脸质量评价模型为二分类模型；得到所述人脸质量评价模型针对所述人脸图像的人脸质量评价分数，包括：通过所述人脸质量评价模型提取所述人脸图像的图像特征，并基于所述人脸质量评价模型的决策边界和所述图像特征，确定所述人脸图像的分类结果所对应的人脸质量评价分数。4.如权利要求1所述的方法，在对所述人脸图像进行分割之前，还包括：将所述人脸图像中的人脸区域的位姿调整至预设位置。5.如权利要求4所述的方法，所述人脸区域为正脸区域；将所述人脸图像中的人脸区域的位姿调整至预设位置，具体包括：提取所述人脸图像中的人脸区域，确定所述人脸区域的关键点；基于所述人脸区域中关键点和预设的标准位置点，确定将所述关键点调整至所述标准位置点的仿射变换矩阵；基于所述仿射变换矩阵将所述人脸区域调整至所述预设位置。6.如权利要求1所述的方法，所述人脸局部图像按照人脸五官分割得到，所述人脸局部图像包括：左眼局部图像、右眼局部图像、鼻子局部图像和嘴巴局部图像。7.如权利要求1所述的方法，所述人脸图像通过人脸图像分割模型进行分割；所述人脸图像分割模型包括关键点检测网络和区域分割模型；将所述人脸图像输入人脸图像分割模型，得到人脸局部图像，具体包括：通过所述关键点检测网络提取所述人脸图像的关键点信息；将所述关键点信息输入所述区域分割模型，得到所述关键点信息与预设分割区域之间的对应关系；基于所述关键点信息与预设分割区域之间的对应关系，确定与所述预设分割区域对应的人脸局部图像。8.如权利要求1所述的方法，所述真实度评价子模型采用以下方式预先训练得到：获取训练样本图像，所述训练样本图像包括未经过伪造的正样本图像和经过伪造的负样本图像；针对每一个所述训练样本图像，确定该训练样本图像的二分类监督标签，所述二分类监督标签用于表征该训练样本图像对应的真实度评价分数；
确定所述真实度评价子模型的评价损失，所述评价损失代表所述真实度评价子模型对所述训练样本图像进行预测得到的预测结果与所述训练样本图像的二分类监督标签之间的差异；将所述训练样本图像输入预先构建的网络模型，基于所述评价损失对所述网络模型进行训练，得到所述真实度评价子模型。9.如权利要求8所述的方法，所述评价损失采用交叉熵损失函数，用于最小化所述真实度评价子模型对所述训练样本图像的预测结果与所述训练样本图像的二分类监督标签之间的差异。10.如权利要求1所述的方法，所述基于所述真实度评价分数得到所述人脸图像的检测结果，具体包括：基于每一幅所述人脸局部图像的真实度评价分数和该人脸局部图像的真实度分数阈值，确定该人脸局部图像是否为伪造图像；针对同一幅所述人脸图像，若存在至少一幅所述人脸局部图像为伪造图像，则确定所述人脸图像的检测结果为存在伪造对象；否则，确定所述人脸图像的检测结果为不存在伪造对象。11.如权利要求1所述的方法，所述基于所述真实度评价分...

【专利技术属性】
技术研发人员：罗曼，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：