【技术实现步骤摘要】
图像篡改检测方法和装置
[0001]本申请涉及图像识别
，特别是指一种图像篡改检测方法和装置。
技术介绍
[0002]图像篡改检测的目标就是自动检测复制、拼接、移除的篡改图像，区分出真实和被篡改的图像，并且在像素水平上精确地定位被篡改的区域。近年来对图像篡改检测的研究主要是基于卷积神经网络(Convolutional Neural Networks，CNN)。相关技术中提出了的端到端的深度学习检测算法，对其进行端到端的训练，来检测被篡改的区域。
[0003]但是相关技术的图像篡改检测技术存在以下几点不足：
[0004](1)用于提取图像噪声信息的受限卷积存在不稳定，难以训练的问题。
[0005](2)由于卷积的局部特性，获得完整的全局关系以及从高分辨率特征中获得足够的上下文信息并不容易。
[0006](3)篡改区域误报多、泛化性差。
技术实现思路
[0007]本申请的目的是提供一种图像篡改检测方法和装置，以避免现有的图像篡改检测技术对整体的篡改检测效果差，以及篡改区域定位差的问题。
[0008]为达到上述目的，本申请的实施例提供一种图像篡改检测方法，包括：
[0009]将待检测的输入图像采用目标约束卷积进行约束卷积滤波处理，得到处理后的噪声图像；
[0010]根据所述噪声图像和目标双分支网络，确定所述噪声图像所对应的融合特征；所述目标双分支网络至少包括保持特征分辨率的高分辨率分支网络层，以及确定图像像素之间相关性的上下文分支网络层；>[0011]根据边缘预测模型和所述融合特征，输出篡改区域定位结果。
[0012]可选地，根据边缘预测模型和所述融合特征，输出篡改区域定位结果，包括：
[0013]利用所述边缘预测模型的边缘提取模型，提取所述目标双分支网络的预设卷积层的第一边缘特征；
[0014]根据所述边缘提取模型和所述融合特征，确定所述边缘预测模型输出的第二边缘特征；
[0015]将多个所述第一边缘特征和所述第二边缘特征进行融合，确定融合后的第三边缘特征作为所述篡改区域定位结果。
[0016]可选地，将待检测的输入图像采用目标约束卷积进行约束卷积滤波处理之前，包括：
[0017]构建所述目标约束卷积；
[0018]其中，所述约束卷积模块中第k个卷积核的非中心点坐标对应的值为通过预设公式值去归一化的值；所述约束卷积模块中第k个卷积核的中心点坐标对应的值为所述预设
公式值的相反值；所述预设公式值为计算k个滤波器的非中心位置权重的绝对值之和。
[0019]可选地，根据所述噪声图像和目标双分支网络，确定所述噪声图像所对应的融合特征，包括：
[0020]将所述噪声图像输入所述目标双分支网络的目标卷积层，确定输出后的第一图像特征；
[0021]将所述第一图像特征分别输入所述高分辨率分支网络层和所述上下文分支网络层，得到输出后的第二图像特征和第三图像特征；其中，所述第三图像特征的高度和宽度比所述第二图像特征的高度和宽度小；
[0022]根据所述第二图像特征和所述第三图像特征，确定所述噪声图像所对应的融合特征。
[0023]可选地，根据所述第二图像特征和所述第三图像特征，确定所述噪声图像所对应的融合特征，包括：
[0024]将所述第三图像特征输入注意力细化模块，确定输出在通道维度上增加注意力权重后的第一矩阵特征和第二矩阵特征；所述第三图像特征包括两个不同大小的图像特征；
[0025]将所述第一矩阵特征和所述第二矩阵特征输入非局部模块，确定修正空间距离影响的第一自注意力矩阵和第二自注意力矩阵；
[0026]根据所述第一自注意力矩阵、所述第二自注意力矩阵和所述第二图像特征，确定所述噪声图像所对应的融合特征。
[0027]可选地，根据所述第一自注意力矩阵、所述第二自注意力矩阵和所述第二图像特征，确定所述噪声图像所对应的融合特征，包括：
[0028]对第一自注意力矩阵进行第一上采样操作，确定第一处理结果；
[0029]对第二图像特征进行第一卷积操作，确定第二处理结果；
[0030]对第二自注意力矩阵进行第二上采样操作，确定第三处理结果；
[0031]利用预设的特征融合模块，将第一处理结果、第二处理结果、第三处理结果和第二图像特征进行特征融合，确定所述噪声图像所对应的融合特征。
[0032]可选地，所述方法还包括：
[0033]对所述融合特征进行多次预设操作，所述预设操作包括第三上采样操作和第二卷积操作；
[0034]每次所述预设操作后的图像通道数逐步降低。
[0035]可选地，构造所述非局部模块包括：
[0036]利用欧氏距离构造样本图像中每个像素到其它像素间的距离矩阵；
[0037]将所述距离矩阵添加到预设模块中，构建所述非局部模块。
[0038]可选地，将多个所述第一边缘特征和所述第二边缘特征进行融合，确定融合后的第三边缘特征作为所述篡改区域定位结果，包括：
[0039]对所述第一边缘特征中非目标边缘特征进行第四上采样操作，确定第四处理结果；所述目标边缘特征为根据所述目标约束卷积的第一层卷积层确定的边缘特征；
[0040]对所述第二边缘特征中非目标边缘特征进行第五上采样操作，确定第五处理结果；
[0041]利用通过维度将所述第四处理结果、所述第五处理结果和所述目标边缘特征连接
后，并进行第三卷积操作；
[0042]将第三卷积操作后的边缘特征作为所述篡改区域定位结果。
[0043]为达到上述目的，本申请的实施例还提供一种图像篡改检测装置，包括：
[0044]第一处理模块，用于将待检测的输入图像采用目标约束卷积进行约束卷积滤波处理，得到处理后的噪声图像；
[0045]第一确定模块，用于根据所述噪声图像和目标双分支网络，确定所述噪声图像所对应的融合特征；所述目标双分支网络至少包括保持特征分辨率的高分辨率分支网络层，以及确定图像像素之间相关性的上下文分支网络层；
[0046]第二处理模块，用于根据边缘预测模型和所述融合特征，输出篡改区域定位结果。
[0047]为达到上述目的，本申请的实施例还提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上任一项所述的图像篡改检测方法中的步骤。
[0048]本申请的上述技术方案的有益效果如下：
[0049]在本申请实施例中，将待检测的输入图像采用目标约束卷积进行约束卷积滤波处理，得到处理后的噪声图像；根据噪声图像和目标双分支网络，确定噪声图像所对应的融合特征；目标双分支网络至少包括保持特征分辨率的高分辨率分支网络层，以及确定图像像素之间相关性的上下文分支网络层；根据边缘预测模型和融合特征，输出篡改区域定位结果。这样，通过目标约束卷积可以更好地提取图像的噪声信息，同时解决训练稳定性问题，再基于高分辨率分支网络层和上下文本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像篡改检测方法，其特征在于，包括：将待检测的输入图像采用目标约束卷积进行约束卷积滤波处理，得到处理后的噪声图像；根据所述噪声图像和目标双分支网络，确定所述噪声图像所对应的融合特征；所述目标双分支网络至少包括保持特征分辨率的高分辨率分支网络层，以及确定图像像素之间相关性的上下文分支网络层；根据边缘预测模型和所述融合特征，输出篡改区域定位结果。2.根据权利要求1所述的方法，其特征在于，根据边缘预测模型和所述融合特征，输出篡改区域定位结果，包括：利用所述边缘预测模型的边缘提取模型，提取所述目标双分支网络的预设卷积层的第一边缘特征；根据所述边缘提取模型和所述融合特征，确定所述边缘预测模型输出的第二边缘特征；将多个所述第一边缘特征和所述第二边缘特征进行融合，确定融合后的第三边缘特征作为所述篡改区域定位结果。3.根据权利要求1所述的方法，其特征在于，将待检测的输入图像采用目标约束卷积进行约束卷积滤波处理之前，包括：构建所述目标约束卷积；其中，所述约束卷积模块中第k个卷积核的非中心点坐标对应的值为通过预设公式值去归一化的值；所述约束卷积模块中第k个卷积核的中心点坐标对应的值为所述预设公式值的相反值；所述预设公式值为计算k个滤波器的非中心位置权重的绝对值之和。4.根据权利要求1所述的方法，其特征在于，根据所述噪声图像和目标双分支网络，确定所述噪声图像所对应的融合特征，包括：将所述噪声图像输入所述目标双分支网络的目标卷积层，确定输出后的第一图像特征；将所述第一图像特征分别输入所述高分辨率分支网络层和所述上下文分支网络层，得到输出后的第二图像特征和第三图像特征；其中，所述第三图像特征的高度和宽度比所述第二图像特征的高度和宽度小；根据所述第二图像特征和所述第三图像特征，确定所述噪声图像所对应的融合特征。5.根据权利要求4所述的方法，其特征在于，根据所述第二图像特征和所述第三图像特征，确定所述噪声图像所对应的融合特征，包括：将所述第三图像特征输入注意力细化模块，确定输出在通道维度上增加注意力权重后的第一矩阵特征和第二矩阵特征；所述第三图像特征包括两个不同大小的图像特征；将所述第一矩阵特征和所述第二矩阵特征输入非局部模块，确定修正空间距离影响的第一自注意力矩阵和第二自注意力矩阵；根据所述第一自注意力矩阵、所述第二自注意...
【专利技术属性】
技术研发人员：赵娟，钱屹，张中远，朱琳，袁向阳，赵彦翔，张效维，
申请(专利权)人：中国移动通信集团有限公司西安交通大学，
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。