CN112163511B - 一种图像真伪鉴别方法 - Google Patents

一种图像真伪鉴别方法 Download PDF

Info

Publication number
CN112163511B
CN112163511B CN202011024532.0A CN202011024532A CN112163511B CN 112163511 B CN112163511 B CN 112163511B CN 202011024532 A CN202011024532 A CN 202011024532A CN 112163511 B CN112163511 B CN 112163511B
Authority
CN
China
Prior art keywords
image
face
training
network
data set
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.)
Active
Application number
CN202011024532.0A
Other languages
English (en)
Other versions
CN112163511A (zh
Inventor
杨嘉琛
肖帅
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202011024532.0A priority Critical patent/CN112163511B/zh
Publication of CN112163511A publication Critical patent/CN112163511A/zh
Application granted granted Critical
Publication of CN112163511B publication Critical patent/CN112163511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/20221—Image fusion; Image merging
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种图像真伪鉴别方法，包括下列步骤：第一步，图像显著性处理：将原始图像通过SLIC算法进行分割得到超像素，通过计算每个超像素与边缘超像素之间的对比度，得到基于背景的显著图像；根据像素阈值对原始图像进行分割来选择前景，通过计算原始图像与前景之间的相似度得到基于前景的显著图像；融合基于前景和背景的显著图像，使用高斯滤波器进行平滑处理，得到局部特征显著图像；得到像素水平的显著性图像；获得纹理增强图像；训练真假人脸图像鉴别网络。

Description

一种图像真伪鉴别方法
技术领域
本发明涉及图像取证领域，特别涉及深度伪造图像的鉴别方法。
背景技术
近年来，随着生成对抗网络(GANs)技术的发展，2017年基于GANs的Deepfake的诞生开启了人脸替换的先河。之后，Deepnude和Zao软件同样为了人脸替换而诞生。这些软件可以将选中的人脸替换为任意其他人的人脸，用来制造本不存在的色情片段等各种视频，并在网络上大肆流传，污染网络环境的同时，严重危害个人的信息安全。更有甚者，造谣者利用深度伪造技术发布国家领袖和公共组织领导人的虚假演讲视频，为世界的公共安全制造了隐患。因此，建立行之有效的伪造图像的鉴别体系迫在眉睫。
目前国内外对于真假人脸鉴别的研究由传统数字取证的方法转向于人工智能方法的研究，而在当前公布的众多专利中，均很少涉及智能方向的真假人脸鉴别的研究。在现有方案中，主要为基于传统图像取证方法的人脸识别技术、基于活体检测的真假人脸实时识别方法和基于卷积神经网络的真假人脸检测方法三种，其中，(中国，201611227125.3)使用综合颜色分布特征、镜面反射特征和模糊度特征作为真假人脸图像的判别信息，使用支持向量机算法分类得出真假人脸图像的判断；(中国，201911135240.1)提取第二人脸特征点，利用第二人脸特征点，将所述用户人脸图像仿射变化处理为标准人脸图像；将所述标准人脸图像分割为前景区域与背景区域，并分别做直方图统计，根据统计结果使用SVM分类识别真假脸；(中国，201510631277.9)利用卷积神经网络对所有效近红外人脸图像和所有可见光人脸通道图像进行卷积处理，得到处理结果，根据所述处理结果，对人脸对象进行真假识别。
尽管深度伪造换脸方法对于背景图无操作，仅仅是对于人脸区域进行替换，但在换脸过程中，光照、抖动、磨损等因素都会根据背景区域对换脸区域进行修补。为了能够在视觉上显化真假人脸图像的差异，本专利采用图像显著性方法，对真假人脸图像分别处理，得出人脸区域的细微纹理性差异。
此外，由于真假人脸区域的纹理性差异并不明显，难以满足网络快速学习差异的要求，因此本专利提出运用引导滤波方法来增强真假人脸图像潜在的纹理性差异，便于网络方便的学习到此种差异。
此后，将经过引导滤波处理的真假人脸图像混合作为训练集输入鉴别神经网络，同时设置验证集实时反馈模型性能，根据此反馈调整模型参数，训练完成后保存最佳模型。
发明内容
本发明的目的是提供一种鲁棒性好，真假人脸鉴别较为准确的方法，技术方案如下：
一种图像真伪鉴别方法，包括下列步骤：
第一步，图像显著性处理
(1)将原始图像通过SLIC算法进行分割得到超像素，通过计算每个超像素与边缘超像素之间的对比度，得到基于背景的显著图像。
(2)根据像素阈值对原始图像进行分割来选择前景，通过计算原始图像与前景之间的相似度得到基于前景的显著图像；融合基于前景和背景的显著图像，使用高斯滤波器进行平滑处理，得到局部特征显著图像；
(3)通过RGB、CIELab以及LBP三种特征分别计算局部特征显著图像的不同显著区域对应的欧式距离，得到每个区域的显著性值，融合后，得到像素水平的显著性图像；
第二步，图像纹理增强处理
(1)将原始图像通过局部线性模型的二维滑动窗口，形成原始图像和纹理增强图像间的线性关系式；
(2)根据原始图像和纹理增强图像中的梯度相似性，对形成的线性关系式进行双边求导，获得纹理增强图像和原始图像之间的最小差异关系；
(3)为满足最小差异关系，使用最小二乘法，利用原始图像的平均像素值和方差，分别求得线性关系中斜率和偏置数的最优解，获得纹理增强图像；
第三步，训练真假人脸图像鉴别网络
(1)构建带有标签的真假数据集：分别在经过引导滤波的真假人脸数据集中选取等量的真实人脸图像和伪造人脸图像按照一定比例分别将两种数据集分为训练集、验证集和测试集，将训练集和测试集中的真假人脸图像打标签，真实人脸图像为1，伪造人脸图像为0；
(2)将所构建的带有标签的真假数据集视为全图数据集，生成相对应的人脸数据集：将按照比例分配好的训练集、验证集和测试集经过opencv中的dlib模块对所有图像进行人脸识别并且裁剪出只包含有人脸区域的图像，并且经过resize函数将人脸区域图像放大为和原图保持尺寸一致，形成额外的相同数量的人脸数据集；
(3)训练Resnet18真假鉴别网络：网络训练时，分别将人全图数据集和人脸数据集作为数据集进行训练，训练过程互不干扰，设定训练迭代次数和batchsize，每次迭代后由验证集评估模型的学习效果，修正模型参数，每层网络层使用ReLU激活函数，在网络最后使用交叉熵函数作为真假二分类任务的损失函数，同时使用随机梯度下降法对损失函数进行优化，最终输出每个batch中的分类准确率分数，保存最佳模型；
(4)测试集测试网络分类效果：全图数据集和人脸数据集作为数据集分别训练完成后，将最佳模型加载到测试网络中，测试网络设置的同样batchsize，将各自的测试集输入测试网络中，预测每个batch中每张图像的真假，同时结合既定真假标签，得出每个batch的分类准确率分数，评估训练模型的性能。
本发明运用图像处理方法实现真假人脸图像的纹理性差异的显化与增强，并运用深度学习算法来提高网络训练的速度，充分利用像素信息，显著提高了鉴别的准确率。
附图说明
图1方法流程图
图2图像显著性结果展示图
图3引导滤波结果展示图
图4数据集全图和人脸展示图
图5 Rsenet18网络结构图
图6模型测试结果图
具体实施方式
为使本发明的技术方案更加清楚，下面结合附图对本发明做进一步阐述。本发明按图1所示步骤具体实现：
第一步，显化真假图像纹理性差异。
采用图像显著性方法分别处理大量真实人脸图像和伪造人脸图像，将两种类型的人脸图像显化出潜在的人脸区域纹理性差异。为更好的抓住输入图像的纹理信息，本发明采用超像素作为最小处理单元。
(3)将原始图像通过简单线性迭代聚类(simple linear iterative clustering，SLIC)算法进行分割得到超像素，通过计算每个超像素与边缘超像素之间的对比度，进而得到基于背景的显著图像。
(4)根据像素阈值对原始图像进行分割来选择前景，通过计算原始图像与前景图像之间的相似度得到基于前景的显著图像；将得到的基于前景和背景的显著图进行融合，使用高斯滤波器进行平滑处理，得到局部特征显著图像。
(5)依次通过RGB、CIELab以及LBP三种特征计算局部特征显著图像的不同显著区域对应的欧式距离，得到每个区域的显著性值，如公式(1)所示。其中W(ri)是通过ri中心与图像中心归一化空间距离计算得到的中心先验权重。F是不同区域对应的RGB、CIELab及LBP三种特征的某一种，dF(ri,bj)是原始图像超像素区域ri与边缘区域bj之间在特征F下的欧式距离：
Figure BDA0002701743160000031
通过上式可以得到每个超像素的显著值，将超像区域内的像素设定为该值，从而得到像素水平的显著值Mo，即得到显著图像，如图2所示，(a)为真实图像显著性图，(b)为伪造图像显著性图。
第二步，真假图像纹理性增强
经第一步图像显著性所得显著图，可以发现真假人脸图像在人脸区域的纹理具备差别。考虑到真假图像的图像显著性所示的真假差异性尽管存在，但是比较细微，为了便于网络训练中更透彻的学习到此差异，本发明采用引导滤波方法对图像进行纹理增强。
(1)引导滤波方法基于局部线性模型。引导滤波函数的输出在二维窗口中与输入满足线性关系，公式(2)中q表示输出像素值，I表示原始图像，它是一个以k为中心，r为半径的局部窗口：
Figure BDA0002701743160000032
(2)分别对上式两边求导，得到公式(3)，根据原始图像和纹理增强图像中的梯度相似，显示了具有边缘保留的引导二值图像。为了获得纹理增强的图像和原始图像间的最小差异，需要找到线性回归的最优解。
▽q＝a▽I 公式(3)
(3)最优解通过最小二乘法获得，如公式(4)所示。下式中ε是调整因子，μk是窗口中原始图像I的平均像素值，
Figure BDA0002701743160000041
是窗口中原始图像I的方差wk，
Figure BDA0002701743160000046
是窗口像素数，
Figure BDA0002701743160000042
是窗口中原始图像的平均值。
Figure BDA0002701743160000043
Figure BDA0002701743160000044
Figure BDA0002701743160000045
本发明使用此算法来增强伪图像的纹理特征，纹理增强图像具有相对清晰的纹理边缘。如图3所示,(a)为真实图像显著性图，(b)为伪造图像显著性图。
第三步，训练真假人脸图像鉴别网络
(1)构建带有标签的真假人脸数据集：分别在经过引导滤波的真假人脸数据集中取等量的真实人脸图像和伪造人脸图像按照比例8：1：1分别随机将两种数据集分为训练集、验证集和测试集，其中真假训练集各194400张，真假验证集各14000张，真假测试集各14000张。利用深度学习平台中的Dateloader函数将训练集和测试集中的真假人脸图像做标签，真实人脸图像为1，伪造人脸图像为0。如图4(a)所示。
(2)制作额外的人脸数据集：将按照比例分配好的训练集、验证集和测试集经过opencv中的dlib模块对所有图像进行人脸识别并且裁剪出只包含有人脸区域的图像，并且经过resize函数将人脸区域图像放大为和原图保持尺寸一致，形成额外的相同数量的人脸数据集,数据集大小和标签和全图数据集保持一致。人脸图图示如图4(b)所示。
(3)训练Resnet18真假鉴别网络：采用Resnet18算法(公知)实现真假图像的分类。其中，含有参数的网络层数目为18层，由4个残差块组成，网络结构如图5所示。网络训练时，分别将人全图数据集和人脸数据集作为数据集进行训练，训练过程互不干扰，训练迭代次数皆为50，batchsize为64，每次迭代后由验证集评估模型的学习效果，修正模型参数。每层网络层使用ReLU激活函数，以网络4个残差块提取图像特征，在网络最后的全连接层使用交叉熵函数作为真假二分类任务的损失函数，同时使用随机梯度下降法对损失函数进行优化。网络训练时，训练集和验证集均为真假混和图像，将他们输入网络中，每经过一次迭代，输出所有batch的所有样本的分类准确率分数，重复迭代50次，最终保存最佳模型。
(4)测试集测试网络分类效果：全图数据集和人脸数据集作为数据集分别训练完成后，将最佳模型加载到测试网络中，测试网络同样设置batchsize为64。将各自的测试集输入测试网络中，测试集同样由真假人脸混合图像。网络模型预测每个batch中每张图像的真假，同时结合既定真假标签，得出每个batch的分类准确率分数，最终输出所有batch的平均准确率分数，以评估训练模型的性能。同时网络会框选检测的人脸，并且输出预测标识为‘real’或者‘fake’，输出效果图如图6所示。

Claims (1)

1.一种图像真伪鉴别方法，包括下列步骤：
第一步，图像显著性处理
（1）将原始图像通过SLIC算法进行分割得到超像素，通过计算每个超像素与边缘超像素之间的对比度，得到基于背景的显著图像；
（2）根据像素阈值对原始图像进行分割来选择前景，通过计算原始图像与前景之间的相似度得到基于前景的显著图像；融合基于前景和背景的显著图像，使用高斯滤波器进行平滑处理，得到局部特征显著图像；
（3）通过RGB、CIELab以及LBP三种特征分别计算局部特征显著图像的不同显著区域对应的欧式距离，得到每个区域的显著性值，融合后，得到像素水平的显著性图像；
第二步，采用引导滤波对图像纹理进行增强处理
（1）将原始图像通过局部线性模型的二维滑动窗口，形成原始图像和纹理增强图像间的线性关系式；
（2）根据原始图像和纹理增强图像中的梯度相似性，对形成的线性关系式进行双边求导，获得纹理增强图像和原始图像之间的最小差异关系；
（3）为满足最小差异关系，使用最小二乘法，利用原始图像的平均像素值和方差，分别求得线性关系中斜率和偏置数的最优解，获得纹理增强图像；
第三步，训练真假人脸图像鉴别网络
（1）构建带有标签的真假数据集：分别在经过引导滤波的真假人脸数据集中选取等量的真实人脸图像和伪造人脸图像按照一定比例分别将两种数据集分为训练集、验证集和测试集，将训练集和测试集中的真假人脸图像打标签，真实人脸图像为1，伪造人脸图像为0；
（2）将所构建的带有标签的真假数据集视为全图数据集，生成相对应的人脸数据集：将按照比例分配好的训练集、验证集和测试集经过opencv中的dlib模块对所有图像进行人脸识别并且裁剪出只包含有人脸区域的图像，并且经过resize函数将人脸区域图像放大为和原图保持尺寸一致，形成额外的相同数量的人脸数据集；
（3）训练Resnet18真假鉴别网络：网络训练时，分别将人全图数据集和人脸数据集作为数据集进行训练，训练过程互不干扰，设定训练迭代次数和batchsize，每次迭代后由验证集评估模型的学习效果，修正模型参数，每层网络层使用ReLU激活函数，在网络最后使用交叉熵函数作为真假二分类任务的损失函数，同时使用随机梯度下降法对损失函数进行优化，最终输出每个batch中的分类准确率分数，分别保存全图数据集训练和人脸数据集训练的最佳模型；
（4）测试集测试网络分类效果：全图数据集和人脸数据集作为数据集分别训练完成后，将最佳模型加载到测试网络中，测试网络设置的同样batchsize，将各自的测试集输入测试网络中，预测每个batch中每张图像的真假，同时结合既定真假标签，得出每个batch的分类准确率分数，评估训练模型的性能。
CN202011024532.0A 2020-09-25 2020-09-25 一种图像真伪鉴别方法 Active CN112163511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011024532.0A CN112163511B (zh) 2020-09-25 2020-09-25 一种图像真伪鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011024532.0A CN112163511B (zh) 2020-09-25 2020-09-25 一种图像真伪鉴别方法

Publications (2)

Publication Number Publication Date
CN112163511A CN112163511A (zh) 2021-01-01
CN112163511B true CN112163511B (zh) 2022-03-29

Family

ID=73864029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011024532.0A Active CN112163511B (zh) 2020-09-25 2020-09-25 一种图像真伪鉴别方法

Country Status (1)

Country Link
CN (1) CN112163511B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861630B (zh) * 2021-01-07 2024-01-05 北京惠朗时代科技有限公司 一种基于多卷积核的公章图像真伪鉴别方法及系统
CN112712052A (zh) * 2021-01-13 2021-04-27 安徽水天信息科技有限公司 一种机场全景视频中微弱目标的检测识别方法
CN112949464B (zh) * 2021-02-26 2021-12-14 中国科学院自动化研究所 基于人脸三维形状的换脸伪造检测方法、系统及设备
CN114842524B (zh) * 2022-03-16 2023-03-10 电子科技大学 一种基于不规则显著性像素簇的人脸鉴伪方法
CN116047461B (zh) * 2023-03-08 2023-07-07 中国科学院空天信息创新研究院 基于视频合成孔径雷达的动目标检测方法及装置
CN117351294B (zh) * 2023-12-06 2024-02-20 武汉大学 一种基于双功能鉴别器的图像检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056165A (zh) * 2016-06-28 2016-10-26 大连理工大学 一种基于超像素关联性增强Adaboost分类学习的显著性检测方法
CN108564528A (zh) * 2018-04-17 2018-09-21 福州大学 一种基于显著性检测的肖像照片自动背景虚化方法
CN110533039A (zh) * 2019-09-04 2019-12-03 深圳市捷顺科技实业股份有限公司 一种车牌的真伪检测方法、装置及设备
CN111222457A (zh) * 2020-01-06 2020-06-02 电子科技大学 一种基于深度可分离卷积的鉴别视频真伪性的检测方法
CN111222434A (zh) * 2019-12-30 2020-06-02 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
CN111539483A (zh) * 2020-04-29 2020-08-14 上海融军科技有限公司 基于gan网络的虚假图像鉴别系统及构建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056165A (zh) * 2016-06-28 2016-10-26 大连理工大学 一种基于超像素关联性增强Adaboost分类学习的显著性检测方法
CN108564528A (zh) * 2018-04-17 2018-09-21 福州大学 一种基于显著性检测的肖像照片自动背景虚化方法
CN110533039A (zh) * 2019-09-04 2019-12-03 深圳市捷顺科技实业股份有限公司 一种车牌的真伪检测方法、装置及设备
CN111222434A (zh) * 2019-12-30 2020-06-02 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
CN111222457A (zh) * 2020-01-06 2020-06-02 电子科技大学 一种基于深度可分离卷积的鉴别视频真伪性的检测方法
CN111539483A (zh) * 2020-04-29 2020-08-14 上海融军科技有限公司 基于gan网络的虚假图像鉴别系统及构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"FDFtnet: Facing off fake images using fake detection fine-tuning network";H. Jeon et al;《arXiv》;20200105;全文 *
"Predicting stereoscopic image quality via stacked auto-encoders based on stereopsis formation";J. Yang et al;《IEEE Trans. Multimed.》;20190731;全文 *
基于超像素一致显著性的视频运动目标检测算法;于洪洋等;《长春理工大学学报(自然科学版)》;20191215(第06期);全文 *

Also Published As

Publication number Publication date
CN112163511A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN112163511B (zh) 一种图像真伪鉴别方法
CN112101175B (zh) 基于局部图像的高速公路车辆检测及多属性特征提取方法
WO2021022970A1 (zh) 一种基于多层随机森林的零部件识别方法及系统
CN112215180B (zh) 一种活体检测方法及装置
CN104966085B (zh) 一种基于多显著特征融合的遥感图像感兴趣区域检测方法
CN104408449B (zh) 智能移动终端场景文字处理方法
CN105809121A (zh) 多特征协同的交通标志检测与识别方法
CN112818862A (zh) 基于多源线索与混合注意力的人脸篡改检测方法与系统
CN105139004A (zh) 基于视频序列的人脸表情识别方法
CN109740572A (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN110298297A (zh) 火焰识别方法和装置
CN107066916A (zh) 基于反卷积神经网络的场景语义分割方法
CN103295013A (zh) 一种基于成对区域的单幅图像阴影检测方法
CN103634680A (zh) 一种智能电视的播放控制方法及装置
CN109766823A (zh) 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法
CN110414506B (zh) 基于数据增广和卷积神经网络的银行卡卡号自动识别方法
CN110728302A (zh) 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法
CN104143091B (zh) 基于改进mLBP的单样本人脸识别方法
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN112069891A (zh) 一种基于光照特征的深度伪造人脸鉴别方法
CN106557740A (zh) 一种遥感图像中油库目标的识别方法
CN103955942A (zh) 一种基于svm的2d图像的深度图提取方法
Barodi et al. An enhanced artificial intelligence-based approach applied to vehicular traffic signs detection and road safety enhancement
CN113822377B (zh) 基于对比自学习的伪造人脸检测方法

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