CN112926623A - 识别合成视频的方法、装置、介质及电子设备 - Google Patents

识别合成视频的方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN112926623A
CN112926623A CN202110090365.8A CN202110090365A CN112926623A CN 112926623 A CN112926623 A CN 112926623A CN 202110090365 A CN202110090365 A CN 202110090365A CN 112926623 A CN112926623 A CN 112926623A
Authority
CN
China
Prior art keywords
audio
video
synthetic
image sequence
image
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
CN202110090365.8A
Other languages
English (en)
Other versions
CN112926623B (zh
Inventor
殷翔
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.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
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 Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110090365.8A priority Critical patent/CN112926623B/zh
Publication of CN112926623A publication Critical patent/CN112926623A/zh
Application granted granted Critical
Publication of CN112926623B publication Critical patent/CN112926623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L25/87—Detection of discrete points within a voice signal
    • 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

Abstract

本公开涉及一种识别合成视频的方法、装置、介质及电子设备。方法包括：获取待识别视频，其中，所述待识别视频包括音频和图像序列；根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。在获取到待识别视频后，可以根据该待识别视频中的音频为合成音频的可能性和图像序列为合成图像序列的可能性，共同判定该待识别视频是否为合成视频。这样，可以保证合成视频识别的准确度，提升了对合成视频进行识别的效果，从而提高了诸如人脸识别等识别技术的安全性。

Description

识别合成视频的方法、装置、介质及电子设备
技术领域
本公开涉及视频技术领域，具体地，涉及一种识别合成视频的方法、装置、介质及电子设备。
背景技术
视频合成通常是将拍摄的图像帧、图片以及录制的音频合成为有声的动态视频。随着合成视频与真实视频越来越接近，通过肉眼很难分辨，因此，如何鉴别视频是真实拍摄的，还是后期合成的是当前研究的一项重要课题，关系着诸如人脸识别等识别技术的安全性。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种识别合成视频的方法，包括：
获取待识别视频，其中，所述待识别视频包括音频和图像序列；
根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。
第二方面，本公开提供一种识别合成视频的装置，包括：
获取模块，用于获取待识别视频，其中，所述待识别视频包括音频和图像序列；
确定模块，用于根据所述获取模块获取到的所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。
在上述技术方案中，在获取到待识别视频后，可以根据该待识别视频中的音频为合成音频的可能性和图像序列为合成图像序列的可能性，共同判定该待识别视频是否为合成视频。这样，可以保证合成视频识别的准确度，提升了对合成视频进行识别的效果，从而提高了诸如人脸识别等识别技术的安全性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种识别合成视频的方法的流程图。
图2是根据一示例性实施例示出的一种根据音频为合成音频的可能性和图像序列为合成图像序列的可能性，确定待识别视频是否为合成视频的方法的流程图。
图3是根据一示例性实施例示出的一种合成图像识别模型训练方法的流程图。
图4是根据一示例性实施例示出的一种合成音频识别模型训练方法的流程图。
图5是根据一示例性实施例示出的一种识别合成视频的装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种识别合成视频的方法的流程图。如图1所示，该方法包括S101和S102。
在S101中，获取待识别视频，其中，待识别视频包括音频和图像序列。
在本公开中，待识别视频可以为短视频、长视频等，本公开对于待识别视频的长度不作具体限定。
在S102中，根据音频为合成音频的可能性和图像序列为合成图像序列的可能性，确定待识别视频是否为合成视频。
在上述技术方案中，在获取到待识别视频后，可以根据该待识别视频中的音频为合成音频的可能性和图像序列为合成图像序列的可能性，共同判定该待识别视频是否为合成视频。这样，可以保证合成视频识别的准确度，提升了对合成视频进行识别的效果，从而提高了诸如人脸识别等识别技术的安全性。
下面针对上述S102中的根据音频为合成音频的可能性和图像序列为合成图像序列的可能性，确定待识别视频是否为合成视频的具体实施方式进行详细说明。具体来说，可以通过多种方式来确定待识别视频是否为合成视频。在一种实施方式中，分别确定图像序列为合成图像序列的第一概率、音频为合成音频的第二概率，之后，根据第一概率和第二概率确定待识别视频是否为合成视频。
在本公开中，根据第一概率和第二概率，具体可以通过以下方式来确定待识别视频是否为合成视频：首先，分别计算第一概率与图像序列对应的权重的乘积、第二概率与音频对应的权重的乘积；之后，根据该两个乘积的和，确定待识别视频是否为合成视频。具体来说，若该两个乘积的和大于第一预设概率阈值，则确定待识别视频为合成视频；若该两个乘积的和小于或等于第一预设概率阈值，则确定待识别视频为真实视频。其中，图像序列对应的权重与音频对应的权重之和为1。
在另一种实施方式中，可以通过图2中所示的S1021～S1025来实现：
在S1021中，确定图像序列为合成图像序列的第一概率。
在S1022中，预测音频是否为合成音频。
在本公开中，若预测音频不为合成音频，则执行S1023；若预测音频为合成音频，则执行S1024和S1025。
在S1023中，根据第一概率，确定待识别视频是否为合成视频。
在一种实施方式中，若第一概率大于第二预设概率阈值，则表明图像序列很大可能为合成图像序列，此时，可以确定待识别视为合成视频；若第一概率小于或等于第二预设概率阈值，则表明图像序列不太可能是合成图像序列，此时，可以确定待识别视频为真实视频。
在另一种实施方式中，若第一概率与图像序列对应的权重的乘积大于第三预设概率阈值，则表明图像序列很大可能为合成图像序列，此时，可以确定待识别视为合成视频；若第一概率与图像序列对应的权重的乘积小于或等于第三预设概率阈值，则表明图像序列不太可能是合成图像序列，此时，可以确定待识别视频为真实视频。其中，第三预设概率阈值等于第二预设概率阈值与图像序列对应的权重的乘积。
在S1024中，确定音频为合成音频的第二概率。
在S1025中，根据第一概率和第二概率，确定待识别视频是否为合成视频。
在该种实施方式中，先对音频的真实性进行预测，之后，根据不同的预测结果采取的不同的策略来确定待识别视频是否为合成视频，从而能够提升识别的准确度和效率。
下面针对上述S1021中确定图像序列为合成图像序列的第一概率的具体实施方式进行详细说明。
在一种实施方式中，可以针对图像序列中的每一图像，根据该图像分割后的物体轮廓清晰度来确定该图像为合成图像的概率，其中，图像分割后的物体轮廓清晰度与图像为合成图像的概率呈负相关变化关系，即图像分割后的物体轮廓清晰度越高，相应图像为合成图像的概率越低；之后，将各图像为合成图像的概率的平均值确定为第一概率。
在另一种实施方式中，可以将图像序列输入合成图像识别模型中，得到合成图像识别模型输出的第一概率。
在本公开中，该合成图像识别模型可以基于反电子欺骗(anti-spoofing)的方式来确定图像序列为合成图像序列的第一概率。该合成图像识别模型可以包括图像特征提取子模型和图像分类器，其中，图像特征提取子模型可以例如是卷积神经网络(Convolutional Neural Networks，CNN)、深度残差网络(Residual Network，ResNet)等。优选地，图像特征提取子模型为ResNet，以能够提取存在破损、被掩盖等现象的图像的深度图像特征，从而提升合成图像识别模型确定出的第一概率的准确度，并且，可以缩短模型训练的周期。
其中，可以通过图3中所示的S301和S302来训练合成图像识别模型。
在S301中，获取参考视频的参考图像序列和用于指示参考图像序列是否为合成图像序列的第一标注信息。
在本公开中，参考视频为真实视频或合成视频。其中，真实视频可以是用户录制的视频，也可以是从真实视频库中随机下载的视频；合成视频可以基于真实配音和合成图像进行合成，也可以是从合成视频库中随机下载的视频。
在S302中，通过将参考图像序列作为图像特征提取子模型的输入，将图像特征提取子模型的输出作为图像分类器的输入，将第一标注信息作为图像分类器的目标输出的方式进行模型训练，以得到合成图像识别模型。
具体来说，将参考图像序列输入图像特征提取子模型中，以提取该参考图像序列对应的图像特征；然后，将该图像特征输入图像分类器中，得到该参考图像序列为合成图像序列的概率，并根据该概率对该参考图像序列进行分类，即确定该参考图像序列是合成图像序列，还是真实图像序列；之后，可以根据图像分类器的分类结果和第一标注信息的比较结果，对图像特征提取子模型的模型参数和图像分类器的模型参数进行更新。其中，当参考图像序列为合成图像序列的概率大于第四预设概率阈值时，图像分类器将该参考图像序列归类为合成图像序列；当参考图像序列为合成图像序列的概率小于或等于第四预设概率阈值时，图像分类器将该参考图像序列归类为真实图像序列。
下面针对上述S1022中的预测音频是否为合成音频的具体实施方式进行详细说明。具体来说，可以通过以下方式来实现：
对音频进行声学事件检测(Acoustic event detection，AED)，以确定音频中是否包含多种预设场景音；若音频中包含多种(即两种及两种以上)预设场景音，则预测音频不为合成音频，即音频为真实音频；若音频中只包含一种预设场景音或者不包含预设场景音，则预测音频为合成音频。
在本公开中，预设场景音可以例如是风声、车声、水声、开门声、猫叫声、狗叫声等能够体现真实场景的各类声音。这样，通过声学事件检测即可快速预测音频是否为合成音频，且准确率高。
另外，在上述对音频进行声学事件检测的步骤之前，上述预测音频是否为合成音频，还可以包括步骤：
对音频进行切分，得到至少一个语音片段。
在本公开中，可以通过端点检测(Voice Activity Detection，VAD)的方式来对音频进行切分，从而得到至少一个语音片段，其中，端点表征音频中语音片段和静音片段的分界点。之后，分别对每一语音片段进行声学事件检测，以确定该语音片段中是否包含预设场景音，并将所有语音片段中包含的不同预设场景音的总数确定为该音频中包含的预设场景音的数量。若该数量大于或等于2，则预测音频为不为合成音频，即音频为真实音频；若该数量为1或者0，则预测音频为合成音频。
对音频进行切分，不仅可以避免对音频中的静音片段进行声学事件检测，还可以对各语音片段同步进行声学事件检测，从而可以提升检测效率、以及预测音频是否为合成音频的效率，进而提升合成视频的识别效率。
下面针对上述S1024中的确定音频为合成音频的第二概率的具体实施方式进行详细说明。
在一种实施方式中，可以根据音频的周期性过零率来确定音频为合成音频的第二概率。其中，音频的周期性过零率与音频为合成音频的第二概率呈负相关变化关系，即音频的周期性过零率越大，相应音频为合成音频的概率越低。
在另一种实施方式中，可以先对音频进行去噪，得到新的音频；然后，将新的音频输入合成音频识别模型中，得到合成音频识别模型输出的第二概率。
在又一种实施方式中，可以先从音频中去除背景音乐(Background Music，BGM)，得到新的音频；然后，将新的音频输入合成音频识别模型中，得到合成音频识别模型输出的第二概率。
在又一种实施方式中，可以先对音频进行去噪，并从中去除背景音乐(BackgroundMusic，BGM)，得到新的音频；然后，将新的音频输入合成音频识别模型中，得到合成音频识别模型输出的第二概率。
在本公开中，在将音频输入合成音频识别模型之前，先对其进行去噪或去除背景音乐，能够提升后续合成音频识别模型确定第二概率的准确度和效率。
合成音频识别模型可以基于反电子欺骗(anti-spoofing)的方式来确定音频为合成音频的第二概率。合成音频识别模型包括声学特征提取子模型和音频分类器，其中，声学特征提取子模型可以例如是卷积神经网络(Convolutional Neural Networks，CNN)、深度残差网络(Residual Network，ResNet)等。优选地，声学特征提取子模型为ResNet，以能够提取深层的声学特征，从而提升合成音频识别模型确定出的第二概率的准确度，并且，可以缩短模型训练的周期。
其中，可以通过图4中所示的S401～S403来训练合成音频识别模型。
在S401中，获取参考视频的参考音频和用于指示参考音频是否为合成音频的第二标注信息。
在本公开中，该参考视频与上述S301中的参考视频为同一视频，即参考音频数据为上述参考图像序列对应的音频。
在S402中，对参考音频进行去噪和/或去除背景音乐，得到新的参考音频。
在S403中，通过将新的参考音频作为声学特征提取子模型的输入，将声学特征提取子模型的输出作为音频分类器的输入，将第二标注信息作为音频分类器的目标输出的方式进行模型训练，以得到合成音频识别模型。
具体来说，将新的参考音频输入声学特征提取子模型中，以提取该新的参考音频的声学特征(例如，梅尔谱特征)；然后，将该声学特征输入音频分类器中，得到该参考音频为合成音频的概率，并根据该概率对该参考音频进行分类，将确定该参考音频是合成音频，还是真实音频；之后，可以根据音频分类器的分类结果和第二标注信息的比较结果，对声学特征提取子模型的模型参数和音频分类器的模型参数进行更新。其中，当参考音频为合成音频的概率大于第五预设概率阈值时，音频分类器将该参考音频归类为合成音频；当参考音频为合成音频的概率小于或等于第五预设概率阈值时，音频分类器将该参考音频归类为真实音频。
图5是根据一示例性实施例示出的一种识别合成视频的装置的框图。如图5所示，该装置500可以包括：获取模块501，用于获取待识别视频，其中，所述待识别视频包括音频和图像序列；确定模块502，用于根据所述获取模块501获取到的所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。
在上述技术方案中，在获取到待识别视频后，可以根据该待识别视频中的音频为合成音频的可能性和图像序列为合成图像序列的可能性，共同判定该待识别视频是否为合成视频。这样，可以保证合成视频识别的准确度，提升了对合成视频进行识别的效果，从而提高了诸如人脸识别等识别技术的安全性。
可选地，第二确定模块502可以包括：第一确定子模块，用于分别确定图像序列为合成图像序列的第一概率、音频为合成音频的第二概率；第二确定子模块，用于根据第一概率和第二概率，确定待识别视频是否为合成视频。
在本公开中，根据第一概率和第二概率，具体可以通过以下方式来确定待识别视频是否为合成视频：首先，分别计算第一概率与图像序列对应的权重的乘积、第二概率与音频对应的权重的乘积；之后，根据该两个乘积的和，确定待识别视频是否为合成视频。具体来说，若该两个乘积的和大于第一预设概率阈值，则确定待识别视频为合成视频；若该两个乘积的和小于或等于第一预设概率阈值，则确定待识别视频为真实视频。其中，图像序列对应的权重与音频对应的权重之和为1。
可选地，所述确定模块502包括：第三确定子模块，用于确定所述图像序列为合成图像序列的第一概率；预测子模块，用于预测所述音频是否为合成音频；第四确定子模块，用于若预测所述音频不为合成音频，则根据所述第一概率，确定所述待识别视频是否为合成视频。
可选地，所述确定模块502还包括：第五确定子模块，用于若预测所述音频为合成音频，则确定所述音频为合成音频的第二概率，之后，根据所述第一概率和所述第二概率，确定所述待识别视频是否为合成视频。
可选地，所述预测子模块包括：检测子模块，用于对所述音频进行声学事件检测，以确定所述音频中是否包含多种预设场景音；合成音频预测子模块，用于若所述音频中包含多种预设场景音，则预测所述音频不为合成音频；合成音频预测子模块，用于若所述音频中只包含一种预设场景音或者不包含所述预设场景音，则预测所述音频为合成音频。
可选地，所述预测子模块还包括：切分子模块，用于在所述检测子模块对所述音频进行声学事件检测之前，对所述音频进行切分，得到至少一个语音片段；所述检测子模块用于分别对每一所述语音片段进行声学事件检测。
可选地，所述第五确定子模块包括：处理子模块，用于对所述音频进行去噪和/或去除背景音乐，得到新的音频；输入子模块，用于将所述新的音频输入合成音频识别模型中，得到所述合成音频识别模型输出的所述第二概率。
可选地，所述第一确定子模块、所述第三确定子模块分别用于将所述图像序列输入合成图像识别模型中，得到所述合成图像识别模型输出的所述第一概率。
可选地，所述合成图像识别模型包括图像特征提取子模型和图像分类器；所述合成图像识别模型可以通过合成图像识别模型训练装置训练得到，其中，合成图像识别模型训练装置包括：第一训练数据获取模块，用于获取参考视频的参考图像序列和用于指示所述参考图像序列是否为合成图像序列的第一标注信息；第一训练模块，用于通过将所述参考图像序列作为所述图像特征提取子模型的输入，将所述图像特征提取子模型的输出作为所述图像分类器的输入，将所述第一标注信息作为所述图像分类器的目标输出的方式进行模型训练，以得到所述合成图像识别模型。
可选地，所述合成音频识别模型包括声学特征提取子模型和音频分类器；所述合成音频识别模型可以通过合成音频识别模型训练装置训练得到，其中，合成音频识别模型训练装置包括：第二训练数据获取模块，用于获取参考视频的参考音频和用于指示所述参考音频是否为合成音频的第二标注信息；处理模块，用于对所述参考音频进行去噪和/或去除背景音乐，得到新的参考音频；第二训练模块，用于通过将所述新的参考音频作为所述声学特征提取子模型的输入，将所述声学特征提取子模型的输出作为所述音频分类器的输入，将所述第二标注信息作为所述音频分类器的目标输出的方式进行模型训练，以得到所述合成音频识别模型。
另外，需要说明的是，上述合成图像识别模型训练装置可以集成于识别合成视频的装置500中，也可以独立于该识别合成视频的装置500，上述合成音频识别模型训练装置可以集成于识别合成视频的装置500中，也可以独立于该识别合成视频的装置500，在本公开中均不作具体限定。此外，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述识别合成视频的方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取待识别视频，其中，所述待识别视频包括音频和图像序列；
根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待识别视频的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种识别合成视频的方法，包括：获取待识别视频，其中，所述待识别视频包括音频和图像序列；根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频，包括：确定所述图像序列为合成图像序列的第一概率；预测所述音频是否为合成音频；若预测所述音频不为合成音频，则根据所述第一概率，确定所述待识别视频是否为合成视频。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频，还包括：若预测所述音频为合成音频，则确定所述音频为合成音频的第二概率，之后，根据所述第一概率和所述第二概率，确定所述待识别视频是否为合成视频。
根据本公开的一个或多个实施例，示例4提供了示例2的方法，所述预测所述音频是否为合成音频，包括：对所述音频进行声学事件检测，以确定所述音频中是否包含多种预设场景音；若所述音频中包含多种预设场景音，则预测所述音频不为合成音频；若所述音频中只包含一种预设场景音或者不包含所述预设场景音，则预测所述音频为合成音频。
根据本公开的一个或多个实施例，示例5提供了示例2-4中任一项的方法，所述确定所述音频为合成音频的第二概率，包括：对所述音频进行去噪和/或去除背景音乐，得到新的音频；将所述新的音频输入合成音频识别模型中，得到所述合成音频识别模型输出的所述第二概率。
根据本公开的一个或多个实施例，示例6提供了示例2-4中任一项的方法，所述确定所述图像序列为合成图像序列的第一概率，包括：将所述图像序列输入合成图像识别模型中，得到所述合成图像识别模型输出的所述第一概率。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述合成图像识别模型包括图像特征提取子模型和图像分类器；所述合成图像识别模型通过以下方式训练得到：获取参考视频的参考图像序列和用于指示所述参考图像序列是否为合成图像序列的第一标注信息；通过将所述参考图像序列作为所述图像特征提取子模型的输入，将所述图像特征提取子模型的输出作为所述图像分类器的输入，将所述第一标注信息作为所述图像分类器的目标输出的方式进行模型训练，以得到所述合成图像识别模型。
根据本公开的一个或多个实施例，示例8提供了示例6的方法，所述合成音频识别模型包括声学特征提取子模型和音频分类器；所述合成音频识别模型通过以下方式训练得到：获取参考视频的参考音频和用于指示所述参考音频是否为合成音频的第二标注信息；对所述参考音频进行去噪和/或去除背景音乐，得到新的参考音频；通过将所述新的参考音频作为所述声学特征提取子模型的输入，将所述声学特征提取子模型的输出作为所述音频分类器的输入，将所述第二标注信息作为所述音频分类器的目标输出的方式进行模型训练，以得到所述合成音频识别模型。
根据本公开的一个或多个实施例，示例9提供了一种识别合成视频的装置，包括：获取模块，用于获取待识别视频，其中，所述待识别视频包括音频和图像序列；确定模块，用于根据所述获取模块获取到的所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。
根据本公开的一个或多个实施例，示例10提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-8中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-8中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (11)

1.一种识别合成视频的方法，其特征在于，包括：
获取待识别视频，其中，所述待识别视频包括音频和图像序列；
根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。
2.根据权利要求1所述的方法，其特征在于，所述根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频，包括：
确定所述图像序列为合成图像序列的第一概率；
预测所述音频是否为合成音频；
若预测所述音频不为合成音频，则根据所述第一概率，确定所述待识别视频是否为合成视频。
3.根据权利要求2所述的方法，其特征在于，所述根据所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频，还包括：
若预测所述音频为合成音频，则确定所述音频为合成音频的第二概率，之后，根据所述第一概率和所述第二概率，确定所述待识别视频是否为合成视频。
4.根据权利要求2所述的方法，其特征在于，所述预测所述音频是否为合成音频，包括：
对所述音频进行声学事件检测，以确定所述音频中是否包含多种预设场景音；
若所述音频中包含多种预设场景音，则预测所述音频不为合成音频；
若所述音频中只包含一种预设场景音或者不包含所述预设场景音，则预测所述音频为合成音频。
5.根据权利要求2-4中任一项所述的方法，其特征在于，所述确定所述音频为合成音频的第二概率，包括：
对所述音频进行去噪和/或去除背景音乐，得到新的音频；
将所述新的音频输入合成音频识别模型中，得到所述合成音频识别模型输出的所述第二概率。
6.根据权利要求2-4中任一项所述的方法，其特征在于，所述确定所述图像序列为合成图像序列的第一概率，包括：
将所述图像序列输入合成图像识别模型中，得到所述合成图像识别模型输出的所述第一概率。
7.根据权利要求6所述的方法，其特征在于，所述合成图像识别模型包括图像特征提取子模型和图像分类器；
所述合成图像识别模型通过以下方式训练得到：
获取参考视频的参考图像序列和用于指示所述参考图像序列是否为合成图像序列的第一标注信息；
通过将所述参考图像序列作为所述图像特征提取子模型的输入，将所述图像特征提取子模型的输出作为所述图像分类器的输入，将所述第一标注信息作为所述图像分类器的目标输出的方式进行模型训练，以得到所述合成图像识别模型。
8.根据权利要求6所述的方法，其特征在于，所述合成音频识别模型包括声学特征提取子模型和音频分类器；
所述合成音频识别模型通过以下方式训练得到：
获取参考视频的参考音频和用于指示所述参考音频是否为合成音频的第二标注信息；
对所述参考音频进行去噪和/或去除背景音乐，得到新的参考音频；
通过将所述新的参考音频作为所述声学特征提取子模型的输入，将所述声学特征提取子模型的输出作为所述音频分类器的输入，将所述第二标注信息作为所述音频分类器的目标输出的方式进行模型训练，以得到所述合成音频识别模型。
9.一种识别合成视频的装置，其特征在于，包括：
获取模块，用于获取待识别视频，其中，所述待识别视频包括音频和图像序列；
确定模块，用于根据所述获取模块获取到的所述音频为合成音频的可能性和所述图像序列为合成图像序列的可能性，确定所述待识别视频是否为合成视频。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202110090365.8A 2021-01-22 2021-01-22 识别合成视频的方法、装置、介质及电子设备 Active CN112926623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110090365.8A CN112926623B (zh) 2021-01-22 2021-01-22 识别合成视频的方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110090365.8A CN112926623B (zh) 2021-01-22 2021-01-22 识别合成视频的方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN112926623A true CN112926623A (zh) 2021-06-08
CN112926623B CN112926623B (zh) 2024-01-26

Family

ID=76165161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110090365.8A Active CN112926623B (zh) 2021-01-22 2021-01-22 识别合成视频的方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN112926623B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821675A (zh) * 2021-06-30 2021-12-21 腾讯科技（北京）有限公司 视频识别方法、装置、电子设备及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019085331A1 (zh) * 2017-11-02 2019-05-09 平安科技（深圳）有限公司 欺诈可能性分析方法、装置及存储介质
CN110009621A (zh) * 2019-04-02 2019-07-12 广东工业大学 一种篡改视频检测方法、装置、设备及可读存储介质
CN111339940A (zh) * 2020-02-26 2020-06-26 中国工商银行股份有限公司 视频风险识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019085331A1 (zh) * 2017-11-02 2019-05-09 平安科技（深圳）有限公司 欺诈可能性分析方法、装置及存储介质
CN110009621A (zh) * 2019-04-02 2019-07-12 广东工业大学 一种篡改视频检测方法、装置、设备及可读存储介质
CN111339940A (zh) * 2020-02-26 2020-06-26 中国工商银行股份有限公司 视频风险识别方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821675A (zh) * 2021-06-30 2021-12-21 腾讯科技（北京）有限公司 视频识别方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN112926623B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN108989882B (zh) 用于输出视频中的音乐片段的方法和装置
CN110503961B (zh) 音频识别方法、装置、存储介质及电子设备
CN112364829B (zh) 一种人脸识别方法、装置、设备及存储介质
CN112766284B (zh) 图像识别方法和装置、存储介质和电子设备
CN113222983A (zh) 图像处理方法、装置、可读介质和电子设备
CN111625649A (zh) 文本处理方法、装置、电子设备及介质
CN114023315A (zh) 语音的识别方法、装置、可读介质和电子设备
CN116932919A (zh) 信息推送方法、装置、电子设备和计算机可读介质
CN113033707B (zh) 视频分类方法、装置、可读介质及电子设备
CN114429658A (zh) 人脸关键点信息获取方法、生成人脸动画的方法及装置
CN114494709A (zh) 特征提取模型的生成方法、图像特征提取方法和装置
CN112954453B (zh) 视频配音方法和装置、存储介质和电子设备
CN112926623B (zh) 识别合成视频的方法、装置、介质及电子设备
CN111312224B (zh) 语音分割模型的训练方法、装置和电子设备
CN114550728B (zh) 用于标记说话人的方法、装置和电子设备
CN113033682B (zh) 视频分类方法、装置、可读介质、电子设备
CN113033552B (zh) 文本识别方法、装置和电子设备
CN111460214B (zh) 分类模型训练方法、音频分类方法、装置、介质及设备
WO2021151354A1 (zh) 一种单词识别方法、装置、计算机设备和存储介质
CN113987258A (zh) 音频的识别方法、装置、可读介质和电子设备
CN114640826B (zh) 数据处理方法、装置、可读介质以及电子设备
CN112542157A (zh) 语音处理方法、装置、电子设备及计算机可读存储介质
CN112115740A (zh) 用于处理图像的方法和装置
CN111783858B (zh) 生成类别向量的方法和装置
CN116109989B (zh) 评价信息生成方法、装置、电子设备和计算机可读介质

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