System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及安全与人工智能领域,尤其涉及一种人脸伪造的检测方法、装置及存储介质。
技术介绍
1、随着深度人脸伪造技术的飞速发展,对于实时视频如网络直播、视频电话等场景,均可以进行人脸的伪造,并且伪造效果逼真,人眼难以分辨。这种深度人脸伪造技术的普及,给不法分子带来了可趁之机,导致防范网络电信诈骗难度大幅提升。现有的深度人脸伪造检测方法,主要是基于神经网络提取面部特征进行二分类。此外在实时视频的人脸伪造检测场景中,现有各平台通过获取视频每帧或多帧图片数据,进行算法检测判定,对于可疑数据进行人工复核。
2、然而,现有的深度人脸伪造检测技术,整体泛化能力较弱,应对更新的伪造技术识别的准确率不高,无法真正有效的应用到实际的人脸伪造检测场景中。
技术实现思路
1、本申请实施例提供一种人脸伪造的检测方法、装置及存储介质,能够有效提升深度人脸伪造检测模型的泛化能力,从而提高人脸伪造检测的准确率。
2、本申请实施例提供一种人脸伪造的检测方法,所述方法包括:
3、获取遮挡的人脸图像,所述遮挡的人脸图像是对待检测的人脸视频进行局部定向遮挡的处理得到的;
4、利用深度伪造检测模型对所述遮挡的人脸图像进行人脸伪造检测,得到检测结果;所述深度伪造检测模型是通过对获取的初始人脸图像样本经过预训练处理,得到第一检测模型;对所述初始人脸图像样本先进行局部定向遮挡的处理,再进行人脸伪造算法的处理,得到第一遮挡人脸图像样本;基于所述第一遮挡人脸图像样本,对所述第一检测模型
5、在上述方法中,所述获取遮挡的人脸图像,包括:
6、实时获取待检测的人脸视频流;
7、通过对所述待检测的人脸视频流中的人脸视频进行局部定向遮挡,得到所述遮挡的人脸图像;所述局部定向遮挡包括使肢体器官或者遮挡区域遮挡人脸上的五官中的至少一种。
8、在上述方法中,所述利用深度伪造检测模型对所述遮挡的人脸图像进行人脸伪造检测,得到检测结果,包括:
9、通过所述深度伪造检测模型对所述遮挡的人脸图像进行人脸伪造检测,得到所述遮挡的人脸图像是伪造人脸的概率;
10、若所述伪造人脸的概率大于或等于预设概率值,则所述检测结果是伪造人脸;
11、若所述伪造人脸的概率小于所述预设概率值,则所述检测结果是真实人脸。
12、在上述方法中,所述方法还包括:
13、通过对获取的初始人脸图像样本经过预训练处理,得到第一检测模型;
14、对所述初始人脸图像样本先进行局部定向遮挡的处理,再进行人脸伪造算法的处理,得到第一遮挡人脸图像样本;
15、基于所述第一遮挡人脸图像样本,对所述第一检测模型进行微调,得到所述深度伪造检测模型。
16、在上述方法中,所述通过对获取的初始人脸图像样本经过预训练处理,得到第一检测模型,包括:
17、将所述初始人脸图像样本输入至初始人脸伪造检测模型,得到所述初始人脸图像样本的预测结果;
18、将所述初始人脸图像样本的预测结果和初始人脸图像样本的标识输入至预设损失函数,得到第一损失结果;
19、基于所述第一损失结果对所述初始人脸伪造检测模型中的模型参数进行修正,直至最近一次的损失结果满足第一预设阈值时为止,得到第一检测模型。
20、在上述方法中,所述将所述初始人脸图像样本的预测结果和初始人脸图像样本的标识输入至预设损失函数,得到第一损失结果,包括:
21、根据所述预设损失函数,通过所述初始人脸图像样本的标识和所述初始人脸图像样本的预测结果在对数函数的值的第一乘积值,得到所述第一乘积值与初始人脸图像样本的数量的比值;
22、通过第二预设阈值与所述初始人脸图像样本的标识的差值,以及所述第二预设阈值与所述初始人脸图像样本的标识的差值在对数函数上的值的乘积,得到第二乘积值;
23、根据所述比值和所述第二乘积值的和,得到第一损失结果。
24、在上述方法中,所述对所述初始人脸图像样本先进行局部定向遮挡的处理,再进行人脸伪造算法的处理,得到第一遮挡人脸图像样本,包括:
25、通过对所述初始人脸图像样本先进行局部定向遮挡的处理,得到第二遮挡人脸图像样本;
26、通过对所述第二遮挡人脸图像样本再进行人脸伪造算法的处理,得到第一遮挡人脸图像样本。
27、在上述方法中,所述通过对所述第二遮挡人脸图像样本再进行人脸伪造算法的处理,得到第一遮挡人脸图像样本,包括:
28、利用人脸伪造算法对获取的目标人脸图像样本和所述第二遮挡人脸图像样本进行特征提取,得到第一特征和第二特征;
29、通过所述第一特征和所述第二特征对所述人脸伪造算法进行训练,得到所述第一特征和所述第二特征的映射关系;
30、根据所述映射关系将所述第二特征映射到所述第一特征,得到第一遮挡人脸图像样本。
31、在上述方法中,所述基于所述第一遮挡人脸图像样本,对所述第一检测模型进行微调,得到所述深度伪造检测模型,包括:
32、将所述第一遮挡人脸图像样本输入至所述第一检测模型,得到所述第一遮挡人脸图像样本的预测结果;
33、将所述第一遮挡人脸图像样本的预测结果、所述第一遮挡人脸图像样本的标识输入至预设损失函数,得到第二损失结果;
34、基于所述第二损失结果对所述第一检测模型中的模型参数进行修正,直至最近一次的损失结果满足第三预设阈值时为止,得到所述深度伪造检测模型。
35、在上述方法中,所述基于所述第二损失结果对所述第一检测模型中的模型参数进行修正,直至最近一次的损失结果满足第三预设阈值时为止,得到所述深度伪造检测模型,包括:
36、根据所述第二损失结果对所述第一检测模型中的模型参数进行修正,得到中间人脸伪造检测模型;
37、继续通过所述中间人脸伪造检测模型,对所述第一遮挡人脸图像样本进行伪造检测,得到下一个第二损失结果,并根据所述下一个第二损失结果对中间人脸伪造检测模型中的模型参数进行修正,得到下一个中间人脸伪造检测模型,直至所述下一个中间人脸伪造检测模型对应的所述下一个损失结果满足第三预设阈值时为止,将所述下一个中间人脸伪造检测模型确定为所述深度伪造检测模型。
38、本申请实施例提供一种人脸伪造的检测装置,所述装置包括:
39、获取模块,用于获取遮挡的人脸图像,所述遮挡的人脸图像是对待检测的人脸视频进行局部定向遮挡的处理得到的;
40、检测模块,用于利用深度伪造检测模型对所述遮挡的人脸图像进行人脸伪造检测,得到检测结果;所述深度伪造检测模型是通过对获取的初始人脸图像样本经过预训练处理,得到第一检测模型;对所述初始人脸图像样本先进行局部定向遮挡的处理,再进行人脸伪造算法的处理,得到第一遮挡人脸图像样本;基于所述第一遮挡人脸图像样本,对所述第一检测模型进行微调得到的。本文档来自技高网...
【技术保护点】
1.一种人脸伪造的检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取遮挡的人脸图像,包括:
3.根据权利要求1或2所述的方法,其特征在于,所述利用深度伪造检测模型对所述遮挡的人脸图像进行人脸伪造检测,得到检测结果,包括:
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述通过对获取的初始人脸图像样本经过预训练处理,得到第一检测模型,包括:
6.根据权利要求4或5所述的方法,其特征在于,所述将所述初始人脸图像样本的预测结果和初始人脸图像样本的标识输入至预设损失函数,得到第一损失结果,包括:
7.根据权利要求4或5所述的方法,其特征在于,所述对所述初始人脸图像样本先进行局部定向遮挡的处理,再进行人脸伪造算法的处理,得到第一遮挡人脸图像样本,包括:
8.根据权利要求7所述的方法,其特征在于,所述通过对所述第二遮挡人脸图像样本再进行人脸伪造算法的处理,得到第一遮挡人脸图像样本,包括:
9.根
10.根据权利要求9所述的方法,其特征在于,所述基于所述第二损失结果对所述第一检测模型中的模型参数进行修正,直至最近一次的损失结果满足第三预设阈值时为止,得到所述深度伪造检测模型,包括:
11.一种人脸伪造的检测装置,其特征在于,包括:
12.一种人脸伪造的检测装置,其特征在于,包括:
13.一种计算机可读存储介质,其特征在于,存储有计算机程序,用于被处理器执行时,实现权利要求1至10任一项所述的方法。
...【技术特征摘要】
1.一种人脸伪造的检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取遮挡的人脸图像,包括:
3.根据权利要求1或2所述的方法,其特征在于,所述利用深度伪造检测模型对所述遮挡的人脸图像进行人脸伪造检测,得到检测结果,包括:
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述通过对获取的初始人脸图像样本经过预训练处理,得到第一检测模型,包括:
6.根据权利要求4或5所述的方法,其特征在于,所述将所述初始人脸图像样本的预测结果和初始人脸图像样本的标识输入至预设损失函数,得到第一损失结果,包括:
7.根据权利要求4或5所述的方法,其特征在于,所述对所述初始人脸图像样本先进行局部定向遮挡的处理,再进行人脸伪造算法的处理...
【专利技术属性】
技术研发人员:于乐,张峰,马禹昇,雷涛,杜刚,张晨,李岩,
申请(专利权)人:中国移动通信集团有限公司,
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。