CN110414437A - 基于卷积神经网络模型融合篡改人脸检测分析方法和系统 - Google Patents
基于卷积神经网络模型融合篡改人脸检测分析方法和系统 Download PDFInfo
- Publication number
- CN110414437A CN110414437A CN201910696017.8A CN201910696017A CN110414437A CN 110414437 A CN110414437 A CN 110414437A CN 201910696017 A CN201910696017 A CN 201910696017A CN 110414437 A CN110414437 A CN 110414437A
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- fusion
- neural networks
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于卷积神经网络模型融合篡改人脸检测分析方法和系统，建立融合人脸数据库，通过融合原始人脸图片生成融合篡改人脸图片；利用融合人脸数据库中的原始人脸图片和融合篡改人脸图片，训练卷积神经网络模型，得到用于判断是否为融合篡改人脸图片的卷积神经网络；对实时输入的待识别图片进行人脸检测和脸部区域截取，得到脸部区域图片；将得到的脸部区域图片，输入到卷积神经网络，判断是否为融合篡改人脸图片。本发明填补了利用深度学习网络模型进行融合篡改人脸检测识别的空白，识别准确率高，能实时输出、更新识别结果。
Description
技术领域
本发明涉及人脸检测技术领域，具体是涉及一种基于卷积神经网络模型融合篡改人脸检测分析方法和系统。
背景技术
生物识别验证系统现在存在于日常生活的许多领域中。它们用于消费市场，例如解锁手机，以及自动边界控制等主权任务。一个巨大的优势和成功的原因是每个人总是随身携带他或她的生物特征，并且他们很难被另一个人复制。人脸识别技术是生物识别领域的重要课题。近年来，随着人脸识别技术的高速发展，人脸识别认证系统已经在日常生活中的诸多领域得到广泛应用，例如门禁安防和金融支付等。
人脸识别技术的成功推广得益于以下重要原因：人脸识别技术具有非接触性特点，即用户不需要和人脸采集设备进行直接接触。其次，人脸识别技术具有非强制性特点，即人脸信息能够在用户没有察觉的情况下进行，增加其安全性。先进的人脸识别技术给人们生活的方方面面带来便利。
然而，有关人脸识别系统的漏洞和脆弱性不断的被发现，严重威胁人脸识别认证系统的安全性。其中人脸融合(facemorphing)技术便是一种新型的人脸篡改手段。其定义是:通过现有的人脸关键点检测技术，将两张人脸的关键点进行融合，合成一张新的人脸，这张人脸图片与合成前的两张原始图片都相似。利用这种技术，犯罪人员可以将自己的证件照片进行篡改，从而达到通过机场边界安检的目的。
由于互联网上有很多实现人脸融合软件，犯罪分子可以轻易篡改自己的证件照，因此，对于融合篡改人脸图片的检测分析方法，具有重要意义。
经过对现有人脸检测技术的检索发现，中国专利公开号CN109740572A的专利记载了一种人脸活体检测方法，公开日为2019年5月10日。该技术通过对输入视频图片提取局部彩色纹理特征，将局部彩色纹理特征作为分类的特征，选取高辨识度的局部图像进行训练和测试，使训练得到的分类器更具有一般性。这种方法通过选用CoALBP特征和LDP特征组成融合纹理特征，选用HSV和YCbCr色彩特征组成融合色彩特征，将两种融合特征相结合来进行检测，在活体人脸活体识别上达到了不错的效果。缺点是，该技术未针对视频图片中的融合篡改的人脸进行检测，对于融合篡改人脸无法达到准确的检测结果。
专利文献CN 109614962A公开了一种偏光光源人脸图像检测方法和系统，首先对图像采用常规人脸检测，划定待定人脸，进行五官定位后，根据五官定位中的暗区标识符划分待定人脸检测类型。该方法只是针对图像中的人脸进行检测，统计图片人脸数量，未对人脸图像本身的真实性，是否被篡改进行检测。
另外，论文“Detection of face morphing attacks by deep learning”描述了融合篡改人脸检测方法，论文发布于2018 IWDW。该方法通过几个经典的深度神经网络(AlexNet、VGG、GoogleNet)对图片提取特征，并利用深度神经网络进行检测分类。这种方法通过深度神经网络直接进行训练分类，未对融合篡改人脸的融合篡改过程进行分析，算法的分析检测能力不够，理论不足。目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于卷积神经网络模型融合篡改人脸检测分析方法和系统。
根据本发明提供的一种基于卷积神经网络模型融合篡改人脸检测分析方法，包括：
建立样本库步骤：建立融合人脸数据库，通过融合原始人脸图片生成融合篡改人脸图片；
训练卷积步骤：利用融合人脸数据库中的原始人脸图片和融合篡改人脸图片，训练卷积神经网络模型，得到用于判断是否为融合篡改人脸图片的卷积神经网络；
脸部截取步骤：对实时输入的待识别图片进行人脸检测和脸部区域截取，得到脸部区域图片；
输出识别步骤：将得到的脸部区域图片，输入到卷积神经网络，判断是否为融合篡改人脸图片。
优选地，所述建立样本库步骤包括如下步骤：
图片采集步骤：收集高清正面的原始人脸图片，对原始人脸图片进行编号，建立融合人脸数据库；
建库步骤：使用任意两个原始人脸图片通过融合生成融合篡改人脸图片，所生成的融合篡改人脸图片包含与原始人脸图片相似的脸部特征，将原始人脸图片和融合篡改人脸图片组成融合人脸数据库。
优选地，所述建库步骤包括如下步骤：
两两融合步骤：随机抽取两个原始人脸图片进行融合，生成初始融合图片；
图片扩展步骤：将初始融合图片进行使用尺度缩放、旋转、加噪声中任一种或任多种方式结合，扩充图片数量，形成融合篡改人脸图片。
优选地，所述训练卷积步骤包括如下步骤：
图片截取步骤：从融合人脸数据库中读出图片样本记录，对图片样本记录的脸部区域进行检测和截取，得到截取后图片；
训练模型步骤：以截取后图片作为训练数据的样本，以样本的标识号作为标签，训练卷积神经网络模型。
优选地，所述脸部截取步骤包括如下步骤：
人脸检测步骤：使用机器学习算法库开源库Dlib库的人脸检测功能对待识别图片进行人脸区域检测，得到人脸区域；
人脸标识步骤：使用人脸区域的四个坐标，将待识别图片进行框选，得到人脸区域方框；
截取区域步骤：根据人脸区域方框截取待识别图片，作为卷积神经网络模型的输入。
根据本发明提供的一种基于卷积神经网络模型融合篡改人脸检测分析系统，包括：
建立样本库模块：建立融合人脸数据库，通过融合原始人脸图片生成融合篡改人脸图片；
训练卷积模块：利用融合人脸数据库中的原始人脸图片和融合篡改人脸图片，训练卷积神经网络模型，得到用于判断是否为融合篡改人脸图片的卷积神经网络；
脸部截取模块：对实时输入的待识别图片进行人脸检测和脸部区域截取，得到脸部区域图片；
输出识别模块：将得到的脸部区域图片，输入到卷积神经网络，判断是否为融合篡改人脸图片。
优选地，所述建立样本库模块包括如下模块：
图片采集模块：收集高清正面的原始人脸图片，对原始人脸图片进行编号，建立融合人脸数据库；
建库模块：使用任意两个原始人脸图片通过融合生成融合篡改人脸图片，所生成的融合篡改人脸图片包含与原始人脸图片相似的脸部特征，将原始人脸图片和融合篡改人脸图片组成融合人脸数据库。
优选地，所述建库模块包括如下模块：
两两融合模块：随机抽取两个原始人脸图片进行融合，生成初始融合图片；
图片扩展模块：将初始融合图片进行使用尺度缩放、旋转、加噪声中任一种或任多种方式结合，扩充图片数量，形成融合篡改人脸图片。
优选地，所述训练卷积模块包括如下模块：
图片截取模块：从融合人脸数据库中读出图片样本记录，对图片样本记录的脸部区域进行检测和截取，得到截取后图片；
训练模型模块：以截取后图片作为训练数据的样本，以样本的标识号作为标签，训练卷积神经网络模型。
优选地，所述脸部截取模块包括如下模块：
人脸检测模块：使用机器学习算法库开源库Dlib库的人脸检测功能对待识别图片进行人脸区域检测，得到人脸区域；
人脸标识模块：使用人脸区域的四个坐标，将待识别图片进行框选，得到人脸区域方框；
截取区域模块：根据人脸区域方框截取待识别图片，作为卷积神经网络模型的输入。
与现有技术相比，本发明具有如下的有益效果：
1、本发明采用了深度学习的卷积神经网络模型，将深度学习模型在视频图像处理领域的巨大优势应用与融合篡改人脸图片检测识别这一特定的实际应用场合中，极大地提升了融合人脸检测识别的可信度，也大大简化了识别流程，降低了识别时间，达到了试试识别的效果，能够应用于上文提到的包括机场边界案件证件识别等多种应用场景。
2、本发明填补了利用深度学习模型进行融合篡改人脸检测分析方法相关专利的空白，识别准确率高，且能实时输出识别结果，适用于多种场景。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的框架图示意图；
图2为卷积神经网络结构模型图；
图3为人脸图片实时检测流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
针对现有技术中没有人脸融合检测分析方法，本发明的目的是提供一种基于卷积神经网络模型人脸融合检测分析方法，该方法填补了利用深度学习模型进行融合篡改人脸检测的相关专利的空白，识别准确率高，且能实时输出识别结果。
根据本发明提供的一种基于卷积神经网络模型融合篡改人脸检测分析方法，包括：
建立样本库步骤：建立融合人脸数据库，通过融合原始人脸图片生成融合篡改人脸图片；
训练卷积步骤：利用融合人脸数据库中的原始人脸图片和融合篡改人脸图片，训练卷积神经网络模型，得到用于判断是否为融合篡改人脸图片的卷积神经网络；
脸部截取步骤：对实时输入的待识别图片进行人脸检测和脸部区域截取，得到脸部区域图片；
输出识别步骤：将得到的脸部区域图片，输入到卷积神经网络，判断是否为融合篡改人脸图片。
具体地，所述建立样本库步骤包括如下步骤：
图片采集步骤：收集高清正面的原始人脸图片，对原始人脸图片进行编号，建立融合人脸数据库；
建库步骤：使用任意两个原始人脸图片通过融合生成融合篡改人脸图片，所生成的融合篡改人脸图片包含与原始人脸图片相似的脸部特征，将原始人脸图片和融合篡改人脸图片组成融合人脸数据库。
具体地，所述建库步骤包括如下步骤：
两两融合步骤：随机抽取两个原始人脸图片进行融合，生成初始融合图片；
图片扩展步骤：将初始融合图片进行使用尺度缩放、旋转、加噪声中任一种或任多种方式结合，扩充图片数量，形成融合篡改人脸图片。
具体地，所述训练卷积步骤包括如下步骤：
图片截取步骤：从融合人脸数据库中读出图片样本记录，对图片样本记录的脸部区域进行检测和截取，得到截取后图片；
训练模型步骤：以截取后图片作为训练数据的样本，以样本的标识号作为标签，训练卷积神经网络模型。
具体地，所述脸部截取步骤包括如下步骤：
人脸检测步骤：使用机器学习算法库开源库Dlib库的人脸检测功能对待识别图片进行人脸区域检测，得到人脸区域；
人脸标识步骤：使用人脸区域的四个坐标，将待识别图片进行框选，得到人脸区域方框；
截取区域步骤：根据人脸区域方框截取待识别图片，作为卷积神经网络模型的输入。
根据本发明提供的一种基于卷积神经网络模型融合篡改人脸检测分析系统，包括：
建立样本库模块：建立融合人脸数据库，通过融合原始人脸图片生成融合篡改人脸图片；
训练卷积模块：利用融合人脸数据库中的原始人脸图片和融合篡改人脸图片，训练卷积神经网络模型，得到用于判断是否为融合篡改人脸图片的卷积神经网络；
脸部截取模块：对实时输入的待识别图片进行人脸检测和脸部区域截取，得到脸部区域图片；
输出识别模块：将得到的脸部区域图片，输入到卷积神经网络，判断是否为融合篡改人脸图片。
具体地，所述建立样本库模块包括如下模块：
图片采集模块：收集高清正面的原始人脸图片，对原始人脸图片进行编号，建立融合人脸数据库；
建库模块：使用任意两个原始人脸图片通过融合生成融合篡改人脸图片，所生成的融合篡改人脸图片包含与原始人脸图片相似的脸部特征，将原始人脸图片和融合篡改人脸图片组成融合人脸数据库。
具体地，所述建库模块包括如下模块：
两两融合模块：随机抽取两个原始人脸图片进行融合，生成初始融合图片；
图片扩展模块：将初始融合图片进行使用尺度缩放、旋转、加噪声中任一种或任多种方式结合，扩充图片数量，形成融合篡改人脸图片。
具体地，所述训练卷积模块包括如下模块：
图片截取模块：从融合人脸数据库中读出图片样本记录，对图片样本记录的脸部区域进行检测和截取，得到截取后图片；
训练模型模块：以截取后图片作为训练数据的样本，以样本的标识号作为标签，训练卷积神经网络模型。
具体地，所述脸部截取模块包括如下模块：
人脸检测模块：使用机器学习算法库开源库Dlib库的人脸检测功能对待识别图片进行人脸区域检测，得到人脸区域；
人脸标识模块：使用人脸区域的四个坐标，将待识别图片进行框选，得到人脸区域方框；
截取区域模块：根据人脸区域方框截取待识别图片，作为卷积神经网络模型的输入。
本发明提供的基于卷积神经网络模型融合篡改人脸检测分析系统，可以通过基于卷积神经网络模型融合篡改人脸检测分析方法的步骤流程实现。本领域技术人员可以将基于卷积神经网络模型融合篡改人脸检测分析方法理解为所述基于卷积神经网络模型融合篡改人脸检测分析系统的优选例。
如图1所示，本实施例的步骤主要包括：
步骤1，建立训练图片样本数据库，得到用于训练卷积神经网络模型的样本数据库；
步骤2，用原始人脸图片和融合篡改人脸图片样本训练卷积神经网络模型，得到用于判断是否为融合篡改人脸图片的卷积神经网络；
步骤3，对实时输入的待识别图片进行人脸检测和脸部区域截取；
步骤4，对步骤S4中得到的脸部区域图片，输入到卷积神经网络，判断是否为融合篡改人脸图片。
所述步骤1包括如下步骤：
步骤1.1，收集原始人脸图片；
步骤1.2，利用原始人脸图片生成融合篡改人脸图片，组成融合人脸数据库。所述融合人脸数据库中包含相同数量、相同尺寸的原始人脸图片和融合篡改人脸图片，可以达到欺骗的效果。
所述步骤1.2中，建立融合人脸数据库包括如下步骤：
1)收集原始人脸图片数据库，此处使用的是融合篡改人脸检测常用的人脸数据库：FEI数据库。
2)利用自动生成方法将两两原始图片进行融合，生成融合篡改人脸图片。具体地，通过随机选取两张原始人脸图片，使用Dlib库获取两张原始图片脸部区域按照0.5的比例将两张原始图片的脸部区域进行融合，得到融合篡改人脸图片。
3)使用尺度缩放，旋转，加噪声等方式扩充图片数量。其中，扩充图片数量，分为以下几种方式：尺度缩放是将图片等比例放大和缩小，放大缩小比例在0.8～1.2之间；旋转是将图片左右进行旋转，旋转幅度在-3°～3°之间；添加噪声是将对图片区域按1％比例添加椒盐噪声。
4)给原始人脸图片和融合人脸图片打上标签，构成融合人脸数据库。其中，融合人脸数据库中包含原始人脸图片和融合人脸图片。
所述步骤2包括如下步骤：
步骤2.1，从融合人脸数据库中读出图片样本记录；
步骤2.2，对图片样本脸部区域进行检测和截取；
步骤2.3，以截取后的图片样本作为训练数据，以样本ID作为标签，训练卷积神经网络模型。如图2所示，卷积神经网络能够输入更多的特征，并且可以进行单独的卷积层操作，特征之间的学习不会相互影响，同时不同特征可以进行互补学习，提升融合篡改人脸的识别准确率。
所述步骤3中包括如下步骤：
步骤3.1，使用机器学习算法库开源库Dlib库的人脸检测模块进行图片的人脸区域检测；
步骤3.2，使用检测出的人脸区域四个坐标用将人脸区域方框框选出来；
步骤3.3，将框选出来的人脸区域截取，作为卷积神经网络模型的输入。
如图3所示，所述步骤4中包括如下步骤：
步骤4.1，将输入图片进行采样，以满足卷积神经网络的输入尺寸要求；
步骤4.2，提取输入图片的颜色空间特征HSV，纹理空间特征LBP特征和HOG特征，结合原始的RGB特征分别输入到卷积神经网络模型的每一个通道中；
步骤4.3，将网络判断结果作为人脸图片识别结果。
本实施例建立训练图片样本数据库；用图片样本训练卷积神经网络模型，得到可判断是否为融合篡改人脸的卷积神经网络，将实时输入的带识别人脸图片输入到网络中，判断输入的人脸图片是否为融合篡改的人脸图片。填补了利用深度学习模型进行融合篡改人脸检测识别的相关专利的空白，识别准确率高，且能实时输出，更新识别结果，适用于多种场景。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于卷积神经网络模型融合篡改人脸检测分析方法，其特征在于，包括：
建立样本库步骤：建立融合人脸数据库，通过融合原始人脸图片生成融合篡改人脸图片；
训练卷积步骤：利用融合人脸数据库中的原始人脸图片和融合篡改人脸图片，训练卷积神经网络模型，得到用于判断是否为融合篡改人脸图片的卷积神经网络；
脸部截取步骤：对实时输入的待识别图片进行人脸检测和脸部区域截取，得到脸部区域图片；
输出识别步骤：将得到的脸部区域图片，输入到卷积神经网络，判断是否为融合篡改人脸图片。
2.根据权利要求1所述的基于卷积神经网络模型融合篡改人脸检测分析方法，其特征在于，所述建立样本库步骤包括如下步骤：
图片采集步骤：收集高清正面的原始人脸图片，对原始人脸图片进行编号，建立融合人脸数据库；
建库步骤：使用任意两个原始人脸图片通过融合生成融合篡改人脸图片，所生成的融合篡改人脸图片包含与原始人脸图片相似的脸部特征，将原始人脸图片和融合篡改人脸图片组成融合人脸数据库。
3.根据权利要求2所述的基于卷积神经网络模型融合篡改人脸检测分析方法，其特征在于，所述建库步骤包括如下步骤：
两两融合步骤：随机抽取两个原始人脸图片进行融合，生成初始融合图片；
图片扩展步骤：将初始融合图片进行使用尺度缩放、旋转、加噪声中任一种或任多种方式结合，扩充图片数量，形成融合篡改人脸图片。
4.根据权利要求1所述的基于卷积神经网络模型融合篡改人脸检测分析方法，其特征在于，所述训练卷积步骤包括如下步骤：
图片截取步骤：从融合人脸数据库中读出图片样本记录，对图片样本记录的脸部区域进行检测和截取，得到截取后图片；
训练模型步骤：以截取后图片作为训练数据的样本，以样本的标识号作为标签，训练卷积神经网络模型。
5.根据权利要求1所述的基于卷积神经网络模型融合篡改人脸检测分析方法，其特征在于，所述脸部截取步骤包括如下步骤：
人脸检测步骤：使用机器学习算法库开源库Dlib库的人脸检测功能对待识别图片进行人脸区域检测，得到人脸区域；
人脸标识步骤：使用人脸区域的四个坐标，将待识别图片进行框选，得到人脸区域方框；
截取区域步骤：根据人脸区域方框截取待识别图片，作为卷积神经网络模型的输入。
6.一种基于卷积神经网络模型融合篡改人脸检测分析系统，其特征在于，包括：
建立样本库模块：建立融合人脸数据库，通过融合原始人脸图片生成融合篡改人脸图片；
训练卷积模块：利用融合人脸数据库中的原始人脸图片和融合篡改人脸图片，训练卷积神经网络模型，得到用于判断是否为融合篡改人脸图片的卷积神经网络；
脸部截取模块：对实时输入的待识别图片进行人脸检测和脸部区域截取，得到脸部区域图片；
输出识别模块：将得到的脸部区域图片，输入到卷积神经网络，判断是否为融合篡改人脸图片。
7.根据权利要求6所述的基于卷积神经网络模型融合篡改人脸检测分析系统，其特征在于，所述建立样本库模块包括如下模块：
图片采集模块：收集高清正面的原始人脸图片，对原始人脸图片进行编号，建立融合人脸数据库；
建库模块：使用任意两个原始人脸图片通过融合生成融合篡改人脸图片，所生成的融合篡改人脸图片包含与原始人脸图片相似的脸部特征，将原始人脸图片和融合篡改人脸图片组成融合人脸数据库。
8.根据权利要求7所述的基于卷积神经网络模型融合篡改人脸检测分析系统，其特征在于，所述建库模块包括如下模块：
两两融合模块：随机抽取两个原始人脸图片进行融合，生成初始融合图片；
图片扩展模块：将初始融合图片进行使用尺度缩放、旋转、加噪声中任一种或任多种方式结合，扩充图片数量，形成融合篡改人脸图片。
9.根据权利要求6所述的基于卷积神经网络模型融合篡改人脸检测分析系统，其特征在于，所述训练卷积模块包括如下模块：
图片截取模块：从融合人脸数据库中读出图片样本记录，对图片样本记录的脸部区域进行检测和截取，得到截取后图片；
训练模型模块：以截取后图片作为训练数据的样本，以样本的标识号作为标签，训练卷积神经网络模型。
10.根据权利要求6所述的基于卷积神经网络模型融合篡改人脸检测分析系统，其特征在于，所述脸部截取模块包括如下模块：
人脸检测模块：使用机器学习算法库开源库Dlib库的人脸检测功能对待识别图片进行人脸区域检测，得到人脸区域；
人脸标识模块：使用人脸区域的四个坐标，将待识别图片进行框选，得到人脸区域方框；
截取区域模块：根据人脸区域方框截取待识别图片，作为卷积神经网络模型的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910696017.8A CN110414437A (zh) | 2019-07-30 | 2019-07-30 | 基于卷积神经网络模型融合篡改人脸检测分析方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910696017.8A CN110414437A (zh) | 2019-07-30 | 2019-07-30 | 基于卷积神经网络模型融合篡改人脸检测分析方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414437A true CN110414437A (zh) | 2019-11-05 |
Family
ID=68364302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910696017.8A Pending CN110414437A (zh) | 2019-07-30 | 2019-07-30 | 基于卷积神经网络模型融合篡改人脸检测分析方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414437A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144314A (zh) * | 2019-12-27 | 2020-05-12 | 北京中科研究院 | 一种篡改人脸视频检测方法 |
| CN111160152A (zh) * | 2019-12-16 | 2020-05-15 | 武汉大千信息技术有限公司 | 一种鉴定人脸图像是否被篡改的方法 |
| CN111539272A (zh) * | 2020-04-10 | 2020-08-14 | 上海交通大学 | 基于联合特征被动检测ai换脸视频的方法及系统 |
| CN112001785A (zh) * | 2020-07-21 | 2020-11-27 | 小花网络科技(深圳)有限公司 | 一种基于图像识别的网贷欺诈识别方法及系统 |
| CN112115831A (zh) * | 2020-09-10 | 2020-12-22 | 深圳印像数据科技有限公司 | 活体检测图像预处理方法 |
| CN112907598A (zh) * | 2021-02-08 | 2021-06-04 | 东南数字经济发展研究院 | 一种基于注意力cnn文档证件类图像篡改检测方法 |
| WO2021134871A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
| WO2021164515A1 (zh) * | 2020-02-17 | 2021-08-26 | 中国银联股份有限公司 | 一种针对篡改图像的检测方法及装置 |
| CN113449542A (zh) * | 2020-03-24 | 2021-09-28 | 浙江宇视科技有限公司 | 一种换脸识别方法、装置、设备和介质 |
| CN113674195A (zh) * | 2020-05-13 | 2021-11-19 | 中国移动通信集团有限公司 | 图像检测方法、装置、设备及存储介质 |
| CN113887527A (zh) * | 2021-11-04 | 2022-01-04 | 北京智慧眼信息技术有限公司 | 人脸图像处理方法、装置、计算机设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006069556A (ja) * | 2004-08-31 | 2006-03-16 | Toppan Printing Co Ltd | Ｔｅ機能付の液体紙容器用口栓 |
| US20110135165A1 (en) * | 2009-06-02 | 2011-06-09 | Harry Wechsler | Robust Human Authentication Using Holistic Anthropometric and Appearance-Based Features and Boosting |
| US20130173284A1 (en) * | 2011-12-30 | 2013-07-04 | Elwha Llc | Evidence-based healthcare information management protocols |
| CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
| CN107123083A (zh) * | 2017-05-02 | 2017-09-01 | 中国科学技术大学 | 人脸编辑方法 |
| CN108229328A (zh) * | 2017-03-16 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸防伪检测方法和系统、电子设备、程序和介质 |
| CN108280418A (zh) * | 2017-12-12 | 2018-07-13 | 北京深醒科技有限公司 | 脸部图像的欺骗识别方法及装置 |
| CN108427871A (zh) * | 2018-01-30 | 2018-08-21 | 深圳奥比中光科技有限公司 | 3d人脸快速身份认证方法与装置 |
| CN109325549A (zh) * | 2018-10-25 | 2019-02-12 | 电子科技大学 | 一种人脸图像融合方法 |
| CN109977830A (zh) * | 2019-03-16 | 2019-07-05 | 四川大学 | 基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测方法 |
-
2019
- 2019-07-30 CN CN201910696017.8A patent/CN110414437A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006069556A (ja) * | 2004-08-31 | 2006-03-16 | Toppan Printing Co Ltd | Ｔｅ機能付の液体紙容器用口栓 |
| US20110135165A1 (en) * | 2009-06-02 | 2011-06-09 | Harry Wechsler | Robust Human Authentication Using Holistic Anthropometric and Appearance-Based Features and Boosting |
| US20130173284A1 (en) * | 2011-12-30 | 2013-07-04 | Elwha Llc | Evidence-based healthcare information management protocols |
| CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
| CN108229328A (zh) * | 2017-03-16 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸防伪检测方法和系统、电子设备、程序和介质 |
| CN107123083A (zh) * | 2017-05-02 | 2017-09-01 | 中国科学技术大学 | 人脸编辑方法 |
| CN108280418A (zh) * | 2017-12-12 | 2018-07-13 | 北京深醒科技有限公司 | 脸部图像的欺骗识别方法及装置 |
| CN108427871A (zh) * | 2018-01-30 | 2018-08-21 | 深圳奥比中光科技有限公司 | 3d人脸快速身份认证方法与装置 |
| CN109325549A (zh) * | 2018-10-25 | 2019-02-12 | 电子科技大学 | 一种人脸图像融合方法 |
| CN109977830A (zh) * | 2019-03-16 | 2019-07-05 | 四川大学 | 基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| XINGHAO JIANG等: "A Novel Video Inter-frame Forgery Model Detection Scheme Based on Optical Flow Consistency", 《RESEARCHGATE》 * |
| 王媛媛: "基于数字水印的人脸图像安全性研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160152A (zh) * | 2019-12-16 | 2020-05-15 | 武汉大千信息技术有限公司 | 一种鉴定人脸图像是否被篡改的方法 |
| CN111144314A (zh) * | 2019-12-27 | 2020-05-12 | 北京中科研究院 | 一种篡改人脸视频检测方法 |
| WO2021134871A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
| WO2021164515A1 (zh) * | 2020-02-17 | 2021-08-26 | 中国银联股份有限公司 | 一种针对篡改图像的检测方法及装置 |
| CN113449542A (zh) * | 2020-03-24 | 2021-09-28 | 浙江宇视科技有限公司 | 一种换脸识别方法、装置、设备和介质 |
| CN111539272A (zh) * | 2020-04-10 | 2020-08-14 | 上海交通大学 | 基于联合特征被动检测ai换脸视频的方法及系统 |
| CN113674195A (zh) * | 2020-05-13 | 2021-11-19 | 中国移动通信集团有限公司 | 图像检测方法、装置、设备及存储介质 |
| CN112001785A (zh) * | 2020-07-21 | 2020-11-27 | 小花网络科技(深圳)有限公司 | 一种基于图像识别的网贷欺诈识别方法及系统 |
| CN112115831A (zh) * | 2020-09-10 | 2020-12-22 | 深圳印像数据科技有限公司 | 活体检测图像预处理方法 |
| CN112907598A (zh) * | 2021-02-08 | 2021-06-04 | 东南数字经济发展研究院 | 一种基于注意力cnn文档证件类图像篡改检测方法 |
| CN112907598B (zh) * | 2021-02-08 | 2023-03-10 | 东南数字经济发展研究院 | 一种基于注意力cnn文档证件类图像篡改检测方法 |
| CN113887527A (zh) * | 2021-11-04 | 2022-01-04 | 北京智慧眼信息技术有限公司 | 人脸图像处理方法、装置、计算机设备及存储介质 |
| CN113887527B (zh) * | 2021-11-04 | 2022-08-26 | 北京智慧眼信息技术有限公司 | 人脸图像处理方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414437A (zh) | 基于卷积神经网络模型融合篡改人脸检测分析方法和系统 | |
| Zhang et al. | Celeba-spoof: Large-scale face anti-spoofing dataset with rich annotations | |
| Yang et al. | MTD-Net: Learning to detect deepfakes images by multi-scale texture difference | |
| Zheng et al. | A survey on image tampering and its detection in real-world photos | |
| CN112215180B (zh) | 一种活体检测方法及装置 | |
| Ross et al. | Security in smart cities: A brief review of digital forensic schemes for biometric data | |
| CN107358146B (zh) | 视频处理方法、装置及存储介质 | |
| Pinto et al. | Using visual rhythms for detecting video-based facial spoof attacks | |
| Rajeshkumar et al. | Smart office automation via faster R-CNN based face recognition and internet of things | |
| CN105844206A (zh) | 身份认证方法及设备 | |
| CN112801057A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN105574509B (zh) | 一种基于光照的人脸识别系统回放攻击检测方法及应用 | |
| CN106919921A (zh) | 结合子空间学习与张量神经网络的步态识别方法及系统 | |
| WO2021217764A1 (zh) | 一种基于偏振成像的人脸活体检测方法 | |
| Dantone et al. | Augmented faces | |
| CN109977832A (zh) | 一种图像处理方法、装置及存储介质 | |
| Zhang et al. | Face spoofing video detection using spatio-temporal statistical binary pattern | |
| Arora et al. | A review of techniques to detect the GAN-generated fake images | |
| CN111476727A (zh) | 一种面向换脸视频检测的视频运动增强方法 | |
| CN107944373A (zh) | 一种基于深度学习的视频异常行为检测方法 | |
| Bakshi et al. | An efficient face anti-spoofing and detection model using image quality assessment parameters | |
| Alkishri et al. | Fake Face Detection Based on Colour Textual Analysis Using Deep Convolutional Neural Network | |
| CN104915641B (zh) | 基于android平台获取人脸图像光源方位的方法 | |
| Shen et al. | Iritrack: Face presentation attack detection using iris tracking | |
| Lubna et al. | Detecting Fake Image: A Review for Stopping Image Manipulation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |