【技术实现步骤摘要】
本专利技术涉及图像处理，具体地讲，涉及基于正交矩空间的质量退化人脸图像鉴伪方法。
技术介绍
1、随着数据的爆炸式增长和硬件效能的逐步提高，人工智能步入了快速发展的新时期，它给社会进步带来了巨大契机，同时也带来了诸多风险。人脸是多媒体数据中最常见且最重要的目标之一，感知人脸表情、认证人脸身份成为了理解这些视觉数据的关键手段。但是，针对人脸的深度伪造技术在近几年迅速兴起，通过对人脸内容进行篡改，可以实现身份替换、表情修改、属性编辑等伪造效果，颠覆了人们“眼见为实”的传统知。以新型自媒体传播为枝蔓、紧密围绕新型互联网的传播方式，加剧了深度伪造人脸数据在网络空间中的滋生与滥用，为国家间的政治抹黑、经济犯罪甚至恐怖主义行动等提供了新工具，给政治、经济、公共等国家安全领域带来了诸多风险。
2、鉴于深度伪造人脸带来的严重负面影响，实现高精度的人脸鉴伪具有重要的研究意义和应用价值。但是，由于图像质量退化会极易破坏模型的鉴别能力，使模型无法在质量退化场景中提供高精度的鉴别结果。
技术实现思路
1、本专利技术要解决的技术问题是提供基于正交矩空间的质量退化人脸图像鉴伪方法，利用pchfms良好的稳定性来保持深度网络空间映射关系的一致性，保障模型在质量退化图像上提供高精度的伪造鉴别。
2、本专利技术采用如下技术方案实现专利技术目的：
3、基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于，包括以下步骤：
4、s1：将原始彩色图像像素空间至转换切比雪夫-傅里
5、s11：对于原始彩色图像，以像素为中心创建固定大小为的彩色窗口图像：
6、（1）；
7、s12：将彩色窗口图像分解为红（）、绿（）、蓝（）三个通道的灰度窗口图像，然后计算每个通道的伪切比雪夫-傅里叶矩：
8、（2）；
9、其中：代表颜色通道；
10、为窗口图像；
11、为阶数；
12、为重复度；
13、为虚数单位；
14、为径向基函数：
15、s13：对于每个通道的伪切比雪夫-傅里叶矩，随机选取一个矩值，并计算其幅值：
16、 （3）；
17、将幅值作为新的像素值替换图像的中心像素值，得到：
18、 （4）；
19、s14：合并处理后的红、绿、蓝每个通道的新像素值，即可得到新的彩色图像像素值；
20、s15：当遍历完整幅图像，即可实现图像像素空间到切比雪夫-傅里叶矩空间的映射转换，得到切比雪夫-傅里叶矩空间人脸图像；
21、s2：构建切比雪夫-傅里叶矩空间的高频伪造感知网络，包含t个阶段，将人脸解析和伪造鉴别进行交互式学习，不断优化两个任务的预测结果，逐步提高模型对高频伪造特征的感知力；
22、s21：在第一阶段，使用xception骨干网络对切比雪夫-傅里叶矩空间人脸图像的进行特征提取，分别利用全连接层和1×1卷积层预测出初始的伪造鉴别结果和人脸解析结果，作为第一阶段双任务的初始输出结果：
23、（5）；
24、s22：在第二阶段，构建互适应模块，通过两个任务：伪造鉴别和人脸解析，进行交互式学习：
25、 （6）；
26、其中：ilm为互适应模块，ilm的输入为前一阶段的预测结果和，每个阶段都采用相同的ilm结构；
27、s23：通过个阶段的交互学习，优化两个任务的预测结果：
28、 （7）；
29、最终得到伪造鉴别结果和人脸解析结果；
30、s24：通过交叉伪造分类进行最终的人脸鉴别，可表示为：
31、 （8）；
32、其中：表示人脸的标签；
33、表示鉴别器预测出的结果，0代表为真，1代表为假；
34、表示人脸真伪分类的类别；
35、通过交叉熵人脸解析进行最终的人脸解析结果鉴别，可表示为：
36、 （9）；
37、其中：为真实的人脸解析标签；
38、为预测图；
39、为图像像素的数量；
40、为语义类别的数量；
41、于是总损失可表示为：
42、 （10）；
43、其中：为控制损失的权重。
44、作为对本技术方案的进一步限定，所述s12中，的表达式为：
45、；
46、其中：为极坐标的径向距离；
47、为多项式的阶数；
48、为一整数。
49、作为对本技术方案的进一步限定，所述s21中，xception骨干网络包含多个卷积层、池化层和深度可分离卷积层，深度可分离卷积由一个深度卷积层和一个逐点卷积层组成。
50、作为对本技术方案的进一步限定，所述s22中，互适应模块包括两个适配器与两个动态卷积模块，适配器为鉴伪参数适配器与解析参数适配器，两个适配器的结构一致，都是通过简单的cnn实现，即三层卷积与两层最大池化层。
51、作为对本技术方案的进一步限定，利用svd的方式分解鉴伪参数适配器与解析参数适配器的参数：
52、（11）；
53、其中：为参数基；
54、表示卷积运算；
55、表示逐通道卷积运算；
56、和为鉴伪参数适配器与解析参数适配器的原始参数，通过此种方式，可减轻两者的参数数量；
57、利用动态卷积对与进行下一步计算，通过在传统卷积层中用预测的动态卷积核替换静态卷积核来实现的：
58、 （12）；
59、其中：与是从任务的对应方的引导信息学习的动态表示，即学习人脸解析的动态表示，学习伪造鉴别的动态表示；
60、为初始的伪造鉴别结果；
61、为人脸解析结果；
62、下一阶段的预测结果与可表示为：
63、（13）。
64、与现有技术相比，本专利技术的优点和积极效果是：1、本专利技术以提升深度人脸鉴伪在质量退化场景的鉴别能力为总体目标，考虑结合切比雪夫-傅里叶矩（pchfms）的高度稳定性和深度学习极强的学习能力，构建基于pchfms的人脸鉴伪方法，有效提升人脸鉴伪在图像质量退化场景的鉴别精度，保障模型在复杂跨域场景中保持较高的人脸鉴伪精度。2、本专利技术将原始彩色图像像素空间转换至更加稳定的pchfms空间，增强人脸鉴伪模型对质量退化图像的鉴别精度。设计了一种互适应模块，能够有效的利用两个任务之间的优势从而提高人脸伪造检测的性能。3、与步骤相结合将有益效果进行进一步详细的阐述。本专利技术根据互适应模块设计了一种高频伪造感知网络用来联合学习人脸伪造检测与人脸解析，通过利用高频伪造痕迹的感知能力作为辅助任务来促使模型提高人脸伪造检测的精度。
本文档来自技高网...【技术保护点】
1.基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于：所述S12中，的表达式为：
3.根据权利要求1所述的基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于：所述S21中，Xception骨干网络包含多个卷积层、池化层和深度可分离卷积层，深度可分离卷积由一个深度卷积层和一个逐点卷积层组成。
4.根据权利要求1所述的基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于：所述S22中，互适应模块包括两个适配器与两个动态卷积模块，适配器为鉴伪参数适配器与解析参数适配器，两个适配器的结构一致，都是通过简单的CNN实现，即三层卷积与两层最大池化层。
5.根据权利要求4所述的基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于：利用SVD的方式分解鉴伪参数适配器与解析参数适配器的参数：
【技术特征摘要】
1.基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于：所述s12中，的表达式为：
3.根据权利要求1所述的基于正交矩空间的质量退化人脸图像鉴伪方法，其特征在于：所述s21中，xception骨干网络包含多个卷积层、池化层和深度可分离卷积层，深度可分离卷积由一个深度卷积层和一个逐点卷积层组成。<...
【专利技术属性】
技术研发人员：夏之秋，时超轶，李孔顺，刘宇男，马宾，王玉立，魏子麒，王长旭，王春鹏，李琦，韩冰，
申请(专利权)人：齐鲁工业大学山东省科学院，
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。