CN112116577A - 一种基于深度学习的篡改人像视频检测方法及系统 - Google Patents

一种基于深度学习的篡改人像视频检测方法及系统 Download PDF

Info

Publication number
CN112116577A
CN112116577A CN202010994492.6A CN202010994492A CN112116577A CN 112116577 A CN112116577 A CN 112116577A CN 202010994492 A CN202010994492 A CN 202010994492A CN 112116577 A CN112116577 A CN 112116577A
Authority
CN
China
Prior art keywords
tampered
portrait video
detection
frame
deep learning
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.)
Granted
Application number
CN202010994492.6A
Other languages
English (en)
Other versions
CN112116577B (zh
Inventor
许磊
谢兰迟
宋宏健
郭晶晶
晏于文
陈晨
彭思龙
李志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Institute of Forensic Science Ministry of Public Security PRC
Original Assignee
Institute of Automation of Chinese Academy of Science
Institute of Forensic Science Ministry of Public Security PRC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science, Institute of Forensic Science Ministry of Public Security PRC filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202010994492.6A priority Critical patent/CN112116577B/zh
Publication of CN112116577A publication Critical patent/CN112116577A/zh
Application granted granted Critical
Publication of CN112116577B publication Critical patent/CN112116577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明涉及一种基于深度学习的篡改人像视频检测方法及系统，其特征在于，包括以下内容：1)构建深度学习网络检测模型并进行训练；2)获取待测篡改人像视频；3)对获取的待测篡改人像视频进行预处理，得到若干具有标记的帧间差数据；4)将各具有标记的帧间差数据输入至训练好的深度学习网络检测模型，得到各帧间差数据的真伪检测结果并标记；5)采用人脸检测工具，根据各帧间差数据的真伪检测结果及其标记，对应标记待测篡改人像视频，得到真伪检测后的篡改人像视频数据，本发明可以广泛应用于计算机视觉领域中。

Description

一种基于深度学习的篡改人像视频检测方法及系统
技术领域
本发明是关于一种基于深度学习的篡改人像视频检测方法及系统，属于计算机视觉领域。
背景技术
随着深度学习与生活相关的各种应用快速落地，各种酷炫技术在人民日常生活中产生广泛影响，其中以DeepFake、FaceSwap等为代表的人像篡改软件对社会、经济等各方面产生重大影响。在社会生活层面，“人工智能伪造”使日常生活所用的合同、契约、证书及相关法律文本的防伪鉴定面临新的困难；在涉及公民、法人和组织切身利益和财产安全的重要问题上，也带来了诸多不确定性的挑战；“人工智能伪造”将可用于伪造证人证言、视听资料、电子数据及鉴定意见等虚假证据，也为不法分子从事违法犯罪活动提供便利条件。
然而，现有的检测方法大多是针对图像数据的，并没有针对篡改人像视频数据、能够提取视频帧间信息的检测方法，因此，篡改视频的检测方法具有重要的应用价值和现实意义。
发明内容
针对上述问题，本发明的目的是提供一种针对篡改人像视频数据且能够提取视频帧间信息的基于深度学习的篡改人像视频检测方法及系统。
为实现上述目的，本发明采取以下技术方案：一种基于深度学习的篡改人像视频检测方法，包括以下内容：
1)构建深度学习网络检测模型并进行训练；
2)获取待测篡改人像视频；
3)对获取的待测篡改人像视频进行预处理，得到若干具有标记的帧间差数据；
4)将各具有标记的帧间差数据输入至训练好的深度学习网络检测模型，得到各帧间差数据的真伪检测结果并标记；
5)采用人脸检测工具，根据各帧间差数据的真伪检测结果及其标记，对应标记待测篡改人像视频，得到真伪检测后的篡改人像视频数据。
进一步地，所述步骤1)的具体过程为：
1.1)获取原始篡改人像视频数据集；
1.2)对获取的原始篡改人像视频数据集进行预处理，得到各具有标记的帧间差数据；
1.3)以ResNet50为基础网络，采用ImagNet的预训练模型进行初始化，将ResNet50基础网络的输出设置为2分类输出，构建深度学习网络检测模型；
1.4)将所述步骤1.2)中得到的各具有标记的帧间差数据输入至构建的深度学习网络检测模型进行模型训练，得到训练好的构建深度学习网络检测模型。
进一步地，所述预处理的具体过程为：
对获取的待测篡改人像视频/原始篡改人像视频数据集进行分帧处理，得到若干帧篡改人像视频数据；
对各帧篡改人像视频数据内的人像进行帧间人脸对齐处理，得到若干帧对齐后具有标记的篡改人像视频数据；
对各帧对齐后具有标记的篡改人像视频数据进行帧间差处理，得到对应具有标记的帧间差数据。
进一步地，当进行帧间人脸对齐处理的某帧篡改人像视频数据无法与其前后帧的篡改人像视频数据对齐时，则去除该帧的篡改人像视频数据并进行标记。
5、如权利要求1所述的一种基于深度学习的篡改人像视频检测方法，其特征在于，所述步骤5)的具体过程为：
5.1)采用人脸检测工具，在待测篡改人像视频中的各帧标出人脸区域检测框；
5.2)将各帧间差数据的真伪检测结果及其标记对应标记至待测篡改人像视频中的对应人脸区域检测框，得到真伪检测后的篡改人像视频数据。
一种基于深度学习的篡改人像视频检测系统，包括：
模型训练模块，用于构建深度学习网络检测模型并进行训练；
待测数据获取模块，用于获取待测篡改人像视频；
数据预处理模块，用于对获取的待测篡改人像视频进行预处理，得到若干具有标记的帧间差数据；
真伪检测模块，用于将得到的各具有标记的帧间差数据输入至训练好的深度学习网络检测模型，得到各帧间差数据的真伪检测结果并标记；
人脸区域标记模块，用于采用人脸检测工具，根据各帧间差数据的真伪检测结果及其标记，对应标记待测篡改人像视频，得到真伪检测后的篡改人像视频数据。
进一步地，所述模型训练模块包括：
训练数据获取单元，用于获取原始篡改人像视频数据集；
训练数据预处理单元，用于对获取的原始篡改人像视频数据集进行预处理；
模型构建单元，用于以ResNet50为基础网络，采用ImagNet的预训练模型进行初始化，将ResNet50基础网络的输出设置为2分类输出，构建深度学习网络检测模型；
模型训练单元，用于将所述训练数据预处理单元中得到的各具有标记的帧间差数据输入至构建的深度学习网络检测模型进行模型训练，得到训练好的构建深度学习网络检测模型。
进一步地，所述数据预处理模块/训练数据预处理单元均包括：
分帧处理单元，用于对待测篡改人像视频/原始篡改人像视频数据集进行分帧处理，得到若干帧篡改人像视频数据；
帧间人脸对齐处理单元，用于对各帧篡改人像视频数据内的人像进行帧间人脸对齐处理，得到若干帧对齐后具有标记的篡改人像视频数据；
帧间差处理单元，用于对各帧对齐后具有标记的篡改人像视频数据进行帧间差处理，得到对应具有标记的帧间差数据。
进一步地，所述人脸区域标记模块包括：
人脸区域标记单元，用于采用人脸检测工具，在待测篡改人像视频中的各帧标出人脸区域检测框；
真伪检测标记单元，用于将各帧间差数据的真伪检测结果及其标记对应标记至待测篡改人像视频中的对应人脸区域检测框，得到真伪检测后的篡改人像视频数据。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现基于深度学习的篡改人像视频检测方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明通过对待检测视频进行预处理，能够去除背景干扰，有效提升网络输入数据的有效性，将篡改视频检测问题转换为基于深度学习的计算机视觉二分类问题，采用监督学习方法构建篡改人像数据集并训练篡改人像的深度学习网络检测模型，实现对待检测图像的精细化篡改检测和定位。
2、本发明采用原始篡改人像视频数据集的帧间信息，作为深度学习网络的输入，帧间信息剔除了原始视频中的背景信息，通过人脸对齐有效提取视频帧数据中篡改人像区域的信息，能够极大降低由于视频帧背景内容信息对深度学习网络检测噪声造成的冗余信息干扰，提高网络检测的准确率，之后通过迁移学习训练检测网络，最终实现篡改人像视频的检测，具有非常明确的实用价值。
3、由于深度学习网络检测模型的输出结果是帧间信息的检测结果，需要根据输出结果去对应相应的视频帧数据，并标记检测结果，在实际检测中，可逐帧预处理并检测，无需一次性预处理所有视频帧数据后再检测，本发明可以广泛应用于计算机视觉领域中。
附图说明
图1是本发明方法的流程示意图；
图2是本发明方法中预处理过程的流程示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。
如图1所示，本发明提供的基于深度学习的篡改人像视频检测方法，包括以下步骤：
1)构建深度学习网络检测模型并进行训练，得到训练好的深度学习网络检测模型，具体为：
1.1)获取高质量的原始篡改人像视频数据集，其中，高质量的原始篡改人像视频数据集可以为根据软件ZAO获取的篡改人像视频数据及其对应的原始视频数据，制作得到的篡改前后一一对应的篡改人像视频数据集。
1.2)如图2所示，对获取的原始篡改人像视频数据集进行预处理，得到各具有标记的帧间差数据：
1.2.1)对获取的原始篡改人像视频数据集进行分帧处理，得到对应的若干帧篡改人像视频数据。
1.2.2)对各帧篡改人像视频数据内的人像进行帧间人脸对齐处理，得到若干帧对齐后具有标记的篡改人像视频数据，其中，当进行帧间人脸对齐处理的某帧篡改人像视频数据无法与其前后帧的篡改人像视频数据有效对齐(即人脸对齐区域大于96％) 时，则去除该帧的篡改人像视频数据并进行标记。
1.2.3)对各帧对齐后具有标记的篡改人像视频数据进行帧间差处理，得到对应具有标记的帧间差数据，其中，对齐后具有标记的篡改人像视频数据集中的第一帧视频数据没有对应的帧间差数据，其后每帧视频数据均具有对应的视频差数据，并标记每一帧间差数据，由于是视频数据，每帧均应该有对应的帧号，以供最后根据帧号标记对应的检测结果。
1.3)以ResNet50为基础网络，采用ImagNet(一种大型可视化数据库)的预训练模型进行初始化即进行迁移学习，将ResNet50基础网络的输出设置为2分类输出，其他参数采用ResNet50网络已有参数，构建深度学习网络检测模型。
1.4)将步骤1.2)中得到的各具有标记的帧间差数据输入至构建的深度学习网络检测模型进行模型训练，得到训练好的构建深度学习网络检测模型。
2)获取待测篡改人像视频。
3)对获取的待测篡改人像视频进行与上述步骤1.2.1)至1.2.3)相同的预处理，得到若干具有标记的帧间差数据，具体为：
3.1)对待测篡改人像视频进行分帧处理，得到若干帧篡改人像视频数据。
3.2)对各帧篡改人像视频数据内的人像进行帧间人脸对齐处理，得到若干帧对齐后具有标记的篡改人像视频数据。
3.3)对各帧对齐后具有标记的篡改人像视频数据进行帧间差处理，得到对应具有标记的帧间差数据。
4)将步骤3)中得到的各具有标记的帧间差数据输入至训练好的深度学习网络检测模型，得到各帧间差数据的真伪检测结果score并进行标记。
5)采用人脸检测工具例如dlib(一种人脸检测的开源工具)，根据各帧间差数据的真伪检测结果score及其标记，对应标记待测篡改人像视频，得到真伪检测后的篡改人像视频数据，具体为：
5.1)采用人脸检测工具例如dlib(一种人脸检测的开源工具)，在待测篡改人像视频中的各帧标出人脸区域检测框。
5.2)将各帧间差数据的真伪检测结果score及其标记对应标记至待测篡改人像视频中的对应人脸区域检测框，得到真伪检测后的篡改人像视频数据。
基于上述基于深度学习的篡改人像视频检测方法，本发明还提供一种基于深度学习的篡改人像视频检测系统，包括：
模型训练模块，用于构建深度学习网络检测模型并进行训练，得到训练好的深度学习网络检测模型。
待测数据获取模块，用于获取待测篡改人像视频。
数据预处理模块，用于对获取的待测篡改人像视频进行预处理，得到若干具有标记的帧间差数据。
真伪检测模块，用于将得到的各具有标记的帧间差数据输入至训练好的深度学习网络检测模型，得到各帧间差数据的真伪检测结果score并标记。
人脸区域标记模块，用于采用人脸检测工具例如dlib，根据各帧间差数据的真伪检测结果score及其标记，对应标记待测篡改人像视频，得到真伪检测后的篡改人像视频数据。
在一个优选的实施例中，模型训练模块包括：
训练数据获取单元，用于获取高质量的原始篡改人像视频数据集，其中，高质量的原始篡改人像视频数据集可以为根据软件ZAO获取的篡改人像视频数据及其对应的原始视频数据，制作得到的篡改前后一一对应的篡改人像视频数据集。
训练数据预处理单元，用于对获取的原始篡改人像视频数据集进行预处理。
模型构建单元，用于以ResNet50为基础网络，采用ImagNet的预训练模型进行初始化即进行迁移学习，将ResNet50基础网络的输出设置为2分类输出，其他参数采用ResNet50网络已有参数，构建深度学习网络检测模型。
模型训练单元，用于将训练数据预处理单元中得到的各具有标记的帧间差数据输入至构建的深度学习网络检测模型进行模型训练，得到训练好的构建深度学习网络检测模型。
在一个优选的实施例中，数据预处理模块/训练数据预处理单元均包括：
分帧处理单元，用于对待测篡改人像视频/原始篡改人像视频数据集进行分帧处理，得到若干帧篡改人像视频数据。
帧间人脸对齐处理单元，用于对各帧篡改人像视频数据内的人像进行帧间人脸对齐处理，得到若干帧对齐后具有标记的篡改人像视频数据，其中，当进行帧间人脸对齐处理的某帧篡改人像视频数据无法与其前后帧的篡改人像视频数据有效对齐(即人脸对齐区域大于96％)时，则去除该帧的篡改人像视频数据并进行标记。
帧间差处理单元，用于对各帧对齐后具有标记的篡改人像视频数据进行帧间差处理，得到对应具有标记的帧间差数据。
在一个优选的实施例中，人脸区域标记模块包括：
人脸区域标记单元，用于采用人脸检测工具例如dlib，在待测篡改人像视频中的各帧标出人脸区域检测框。
真伪检测标记单元，用于将各帧间差数据的真伪检测结果score及其标记对应标记至待测篡改人像视频中的对应人脸区域检测框，得到真伪检测后的篡改人像视频数据。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，其中，计算机程序指令被处理器执行时用于实现上述基于深度学习的篡改人像视频检测方法对应的步骤。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种基于深度学习的篡改人像视频检测方法，其特征在于，包括以下内容：
1)构建深度学习网络检测模型并进行训练；
2)获取待测篡改人像视频；
3)对获取的待测篡改人像视频进行预处理，得到若干具有标记的帧间差数据；
4)将各具有标记的帧间差数据输入至训练好的深度学习网络检测模型，得到各帧间差数据的真伪检测结果并标记；
5)采用人脸检测工具，根据各帧间差数据的真伪检测结果及其标记，对应标记待测篡改人像视频，得到真伪检测后的篡改人像视频数据。
2.如权利要求1所述的一种基于深度学习的篡改人像视频检测方法，其特征在于，所述步骤1)的具体过程为：
1.1)获取原始篡改人像视频数据集；
1.2)对获取的原始篡改人像视频数据集进行预处理，得到各具有标记的帧间差数据；
1.3)以ResNet50为基础网络，采用ImagNet的预训练模型进行初始化，将ResNet50基础网络的输出设置为2分类输出，构建深度学习网络检测模型；
1.4)将所述步骤1.2)中得到的各具有标记的帧间差数据输入至构建的深度学习网络检测模型进行模型训练，得到训练好的构建深度学习网络检测模型。
3.如权利要求2所述的一种基于深度学习的篡改人像视频检测方法，其特征在于，所述预处理的具体过程为：
对获取的待测篡改人像视频/原始篡改人像视频数据集进行分帧处理，得到若干帧篡改人像视频数据；
对各帧篡改人像视频数据内的人像进行帧间人脸对齐处理，得到若干帧对齐后具有标记的篡改人像视频数据；
对各帧对齐后具有标记的篡改人像视频数据进行帧间差处理，得到对应具有标记的帧间差数据。
4.如权利要求3所述的一种基于深度学习的篡改人像视频检测方法，其特征在于，当进行帧间人脸对齐处理的某帧篡改人像视频数据无法与其前后帧的篡改人像视频数据对齐时，则去除该帧的篡改人像视频数据并进行标记。
5.如权利要求1所述的一种基于深度学习的篡改人像视频检测方法，其特征在于，所述步骤5)的具体过程为：
5.1)采用人脸检测工具，在待测篡改人像视频中的各帧标出人脸区域检测框；
5.2)将各帧间差数据的真伪检测结果及其标记对应标记至待测篡改人像视频中的对应人脸区域检测框，得到真伪检测后的篡改人像视频数据。
6.一种基于深度学习的篡改人像视频检测系统，其特征在于，包括：
模型训练模块，用于构建深度学习网络检测模型并进行训练；
待测数据获取模块，用于获取待测篡改人像视频；
数据预处理模块，用于对获取的待测篡改人像视频进行预处理，得到若干具有标记的帧间差数据；
真伪检测模块，用于将得到的各具有标记的帧间差数据输入至训练好的深度学习网络检测模型，得到各帧间差数据的真伪检测结果并标记；
人脸区域标记模块，用于采用人脸检测工具，根据各帧间差数据的真伪检测结果及其标记，对应标记待测篡改人像视频，得到真伪检测后的篡改人像视频数据。
7.如权利要求6所述的一种基于深度学习的篡改人像视频检测系统，其特征在于，所述模型训练模块包括：
训练数据获取单元，用于获取原始篡改人像视频数据集；
训练数据预处理单元，用于对获取的原始篡改人像视频数据集进行预处理；
模型构建单元，用于以ResNet50为基础网络，采用ImagNet的预训练模型进行初始化，将ResNet50基础网络的输出设置为2分类输出，构建深度学习网络检测模型；
模型训练单元，用于将所述训练数据预处理单元中得到的各具有标记的帧间差数据输入至构建的深度学习网络检测模型进行模型训练，得到训练好的构建深度学习网络检测模型。
8.如权利要求7所述的一种基于深度学习的篡改人像视频检测系统，其特征在于，所述数据预处理模块/训练数据预处理单元均包括：
分帧处理单元，用于对待测篡改人像视频/原始篡改人像视频数据集进行分帧处理，得到若干帧篡改人像视频数据；
帧间人脸对齐处理单元，用于对各帧篡改人像视频数据内的人像进行帧间人脸对齐处理，得到若干帧对齐后具有标记的篡改人像视频数据；
帧间差处理单元，用于对各帧对齐后具有标记的篡改人像视频数据进行帧间差处理，得到对应具有标记的帧间差数据。
9.如权利要求6所述的一种基于深度学习的篡改人像视频检测系统，其特征在于，所述人脸区域标记模块包括：
人脸区域标记单元，用于采用人脸检测工具，在待测篡改人像视频中的各帧标出人脸区域检测框；
真伪检测标记单元，用于将各帧间差数据的真伪检测结果及其标记对应标记至待测篡改人像视频中的对应人脸区域检测框，得到真伪检测后的篡改人像视频数据。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-5中任一项所述的基于深度学习的篡改人像视频检测方法对应的步骤。
CN202010994492.6A 2020-09-21 2020-09-21 一种基于深度学习的篡改人像视频检测方法及系统 Active CN112116577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010994492.6A CN112116577B (zh) 2020-09-21 2020-09-21 一种基于深度学习的篡改人像视频检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010994492.6A CN112116577B (zh) 2020-09-21 2020-09-21 一种基于深度学习的篡改人像视频检测方法及系统

Publications (2)

Publication Number Publication Date
CN112116577A true CN112116577A (zh) 2020-12-22
CN112116577B CN112116577B (zh) 2024-01-23

Family

ID=73801397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010994492.6A Active CN112116577B (zh) 2020-09-21 2020-09-21 一种基于深度学习的篡改人像视频检测方法及系统

Country Status (1)

Country Link
CN (1) CN112116577B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560734A (zh) * 2020-12-23 2021-03-26 华南农业大学 基于深度学习的重获取视频检测方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002084990A2 (en) * 2001-04-11 2002-10-24 Nice Systems Ltd. Digital video protection for authenticity verification
CN108765405A (zh) * 2018-05-31 2018-11-06 北京瑞源智通科技有限公司 一种影像鉴真方法和系统
CN109657600A (zh) * 2018-12-14 2019-04-19 广东工业大学 一种视频区域移除篡改检测方法和装置
WO2019184124A1 (zh) * 2018-03-30 2019-10-03 平安科技（深圳）有限公司 风控模型训练方法、风险识别方法、装置、设备及介质
CN110880172A (zh) * 2019-11-12 2020-03-13 中山大学 基于循环卷积神经网络的视频人脸篡改检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002084990A2 (en) * 2001-04-11 2002-10-24 Nice Systems Ltd. Digital video protection for authenticity verification
WO2019184124A1 (zh) * 2018-03-30 2019-10-03 平安科技（深圳）有限公司 风控模型训练方法、风险识别方法、装置、设备及介质
CN108765405A (zh) * 2018-05-31 2018-11-06 北京瑞源智通科技有限公司 一种影像鉴真方法和系统
CN109657600A (zh) * 2018-12-14 2019-04-19 广东工业大学 一种视频区域移除篡改检测方法和装置
CN110880172A (zh) * 2019-11-12 2020-03-13 中山大学 基于循环卷积神经网络的视频人脸篡改检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张怡暄;李根;曹纭;赵险峰;: "基于帧间差异的人脸篡改视频检测方法", 信息安全学报, no. 02 *
暴雨轩;芦天亮;杜彦辉;: "深度伪造视频检测技术综述", 计算机科学, no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560734A (zh) * 2020-12-23 2021-03-26 华南农业大学 基于深度学习的重获取视频检测方法、系统、设备及介质
CN112560734B (zh) * 2020-12-23 2023-10-10 华南农业大学 基于深度学习的重获取视频检测方法、系统、设备及介质

Also Published As

Publication number Publication date
CN112116577B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN111460962B (zh) 一种口罩人脸识别方法及系统
Shivashankara et al. American sign language recognition system: an optimal approach
CN106203294B (zh) 基于人脸属性分析的人证合一身份验证方法
CN101894260B (zh) 基于匹配特征点随机生成特征线的伪造印章识别方法
CN108549854A (zh) 一种人脸活体检测方法
CN104751143B (zh) 一种基于深度学习的人证核验系统及方法
CN104408780A (zh) 一种人脸识别考勤系统
CN106991421A (zh) 一种身份证信息提取系统
CN103593648B (zh) 一个面向开放环境的人脸识别方法
CN114662497A (zh) 一种基于协同神经网络的虚假新闻检测方法
CN108846269A (zh) 一种面向多种特征的身份认证方法和身份认证装置
Shrivastava et al. Conceptual model for proficient automated attendance system based on face recognition and gender classification using Haar-Cascade, LBPH algorithm along with LDA model
CN111476727A (zh) 一种面向换脸视频检测的视频运动增强方法
CN105184236A (zh) 机器人人脸识别系统
CN112116577B (zh) 一种基于深度学习的篡改人像视频检测方法及系统
CN107025435A (zh) 一种人脸识别处理方法和系统
CN104318267B (zh) 一种藏獒幼犬纯度的自动化识别系统
CN109977891A (zh) 一种基于神经网络的目标检测与识别方法
CN112560989B (zh) 一种基于大数据的人工智能防伪图像识别方法及系统
CN105718972B (zh) 一种信息智能采集方法
Singh et al. Facial Recognition Automation System Using Machine Learning
Rathinamala et al. Automatic attendance monitoring system using LBPH and HAAR algorithm
CN107368811B (zh) 红外与非红外光照下基于lbp的人脸特征提取方法
Pathak et al. Student attendance monitoring system via face detection and recognition system
Shrestha Face recognition student attendance system

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
GR01 Patent grant
GR01 Patent grant