CN113762205A - 人脸图像操作痕迹检测方法、计算机设备及可读存储介质 - Google Patents
人脸图像操作痕迹检测方法、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN113762205A CN113762205A CN202111094844.3A CN202111094844A CN113762205A CN 113762205 A CN113762205 A CN 113762205A CN 202111094844 A CN202111094844 A CN 202111094844A CN 113762205 A CN113762205 A CN 113762205A
- Authority
- CN
- China
- Prior art keywords
- face image
- operation trace
- network
- feature
- module
- 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
- 238000001514 detection method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 13
- 239000004575 stone Substances 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人脸图像操作痕迹检测方法,包括:解析输入的人脸图像,得到所述人脸图像对应的初始特征张量;将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量;将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的操作痕迹特征,其中,所述具有一层固定权值的卷积网络为梯度操作子,即,通过将梯度操作子嵌入至基石网络,可将人脸图像特征进一步细化,得到人脸图像的操作痕迹特征,相对于单独的基石网络检测,本申请实施例中的嵌入梯度操作子的基石网络更加精准识别出人脸操纵痕迹。
Description
技术领域
本申请属于图像处理技术领域,具体涉及一种人脸图像操作痕迹检测方法、计算机设备及可读存储介质。
背景技术
利用图像处理技术对拍摄的图像进行编辑、美化,越来越受到青年人的追捧,但利用图像处理技术达到不正当目的图像伪造却带来了严重的社会问题,例如,通过图像处理技术生成名人、政客任意身份或语义的面部图像,并利用这些图像误导社会大众,引起舆论。因此,迫切的需要开发一些检测方案来判别人脸图像的真实性。
发明内容
本申请实施例的目的是提供人脸图像操作痕迹检测方法、计算机设备及可读存储介质,以解决更高效、更准确地捕捉人脸图像中的操作痕迹,以识别人脸图像是否是被伪造的人脸图像。
第一方面,本申请实施例提供了一种人脸图像操作痕迹检测方法,包括:
解析输入的人脸图像,得到所述人脸图像对应的初始特征张量;
将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量;
将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的操作痕迹特征,
其中,所述具有一层固定权值的卷积网络为梯度操作子。
第二方面,本申请实施例提供了一种人脸图像操作痕迹检测方法,包括:
解析输入的人脸图像,得到所述人脸图像对应的初始特征张量;
将所述初始特征张量输入至带有注意力模块的基石网络中,得到所述人脸图像的操作痕迹特征;
其中,所述带有注意力模块的基石网络包括多个基石节点,每个所述基石节点嵌入注意力模块,所述注意力模块用于将输入到每个基石节点中的特征张量进行细化,以最终得到人脸图像中的操作痕迹特征;
其中,所述注意力模块包括最大池操作模块,平均池操作模块以及梯度子模块,所述注意模块输出的特征张量包括所述最大池模块,平均池操作模块以及梯度子模块输出的特征张量。
在第三方面,本申请实施例提供了一种人脸图像操作痕迹检测方法,包括:
解析输入的人脸图像,得到所述人脸图像对应的初始特征张量;
将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量,并将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的第一操作痕迹特征;
其中,所述具有一层固定权值的卷积网络为梯度操作子;
将所述初始特征张量输入带有注意力模块的基石网络中,得到所述人脸图像的第二操作痕迹特征;
其中,所述基石网络包括多个基石节点,每个所述基石节点嵌入注意力模块,所述注意力模块用于将输入到每个基石节点中的特征张量进行细化;
其中,所述注意力模块包括最大池操作模块,平均池操作模块以及梯度子模块,所述注意模块输出的特征张量包括所述最大池模块,平均池操作模块以及梯度子模块输出的特征张量;
融合所述第一操作痕迹特征和所述第二操作痕迹特征,得到最终输出。
进一步的,所述基石网络为ResNet-18网络。
进一步的,所述用最大池化操作模块和所述平均池化操作模块,用于捕获所述人脸图像各基色通道之间的操纵痕迹关联,并通过共享网络生成通道注意映射,得到第一子操作痕迹特征;
所述梯度子模块,用于进一步的对人脸图像的操作痕迹特征进行捕捉,得到第二子操作痕迹特征;
将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合,得到所述带有注意力模块的基础网络输出的所述人脸图像的操作痕迹特征。
进一步的,人脸图像操作痕迹检测方法方法,还包括:
通过预设权重对所述梯度子模块得到的所述第二子操作痕迹特征进行加权处理,得到加权处理后的第二子操作痕迹特征;
所述将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合为:
通过sigmoid函数将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合。
进一步的,所述共享网络包括1×1卷积层和ReLU激活函数。
进一步的,所述融合所述第一操作痕迹特征和所述第二操作痕迹特征,得到最终输出为:
所述第一操作痕迹特征和所述第二操作痕迹特征逐像素相加的方式进行融合。
在第四方面,本申请实施例提供了一种计算机设备,包括存储器和处理器,其中,所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述所述的方法。
在第五方面,本申请实施例提供了一种计算机设备一种可读存储介质,包括计算机程序,所述计算机程序在计算机上被执行时,使得所述计算机执行上述所述的方法。
在本申请实施例中,在基石网络之前添加预处理模块,该预处理模块将梯度操作子嵌入到卷积层中,使其作为具有固定核系数的卷积层,可以细化人脸图像的特征张量,深度捕捉人脸伪造技术留下的操纵痕迹特征,然后在将细化后的特征张量输入至基石网络中,可大幅提高深度网络对人脸操纵痕迹的检测性能。
在本申请另一个实施例中,通过将梯度操作子嵌入至基石网络,可将人脸图像特征进一步细化,得到人脸图像的操作痕迹特征,相对于单独的基石网络检测,本申请实施例中的嵌入梯度操作子的基石网络更加精准识别出人脸操纵痕迹。
在本申请又一个实施例中,包括两个通道的深度网络模型,其中一个深度网络模型包括预处理模块和基石网络,其中预处理模块为将梯度操作子嵌入到卷积层中,使其作为具有固定核系数的卷积层,可以细化人脸图像的特征张量,深度捕捉人脸伪造技术留下的操纵痕迹特征,另一个深度网络模型为带有注意力模块的基石网络,具体为,将梯度操作子嵌入至基石网络的每个基石节点,以此来补充人脸伪造技术留下的操纵痕迹特征,将两个深度网络模型输出的特征进行融合,即可得到将人脸图像中的操纵痕迹精准识别出来。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基石网络的结构示意图
图2是本申请第一个实施例提供的人脸图像操作痕迹检测方法的流程图
图3是本申请第一个实施例提供的人脸图像操作痕迹检测模型的原理图
图4是本申请第二个实施例提供的人脸图像操作痕迹检测方法的流程图
图5是本申请第二个实施例提供的人脸图像操作痕迹检测模型的原理图
图6是本申请第三个实施例提供的人脸图像操作痕迹检测方法的流程图
图7是本申请第三个实施例提供的人脸图像操作痕迹检测模型的原理图
图8是本申请一个实施例提供的人脸图像操纵很近检测装置的结构示意图
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的插值帧的生成方法进行详细地说明。
基石网络,如图1所示,包括7乘7卷积层、批量归一化ReLU激活函数、3乘3最大池以及数个基石节点构成,在一个实施例中,基石网络使用ResNet-18网络。
sigmoid函数也叫Logistic函数,用于隐层神经元输出,取值范围为(0,1),它可以将一个实数映射到(0,1)的区间。
如图2和图3所示,本发明实施例提供的一种人脸图像操作痕迹检测方法,包括:
步骤201:解析输入的人脸图像,得到所述人脸图像对应的初始特征张量。
步骤202:将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量,其中,所述具有一层固定权值的卷积网络为梯度操作子。
将人脸图像进行解析,得到人脸图像对应的初始特征张量,将该初始特征张量与具有一层固定权值得卷积网络的梯度操作子进行卷积操作,得到细化后的特征张量。
步骤203:将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的操作痕迹特征。
将细化后的特征张量输入到基石网络中,即细化后的特征张量在经基石网络进行进一步的解析,如果该人脸图像是经过人为操作的假脸图像,则将得到该人脸图像的操作痕迹特征。
在另一个实施例中,如图4所示,提供了一种人脸图像操作痕迹检测方法,包括:
步骤301:解析输入的人脸图像,得到所述人脸图像对应的初始特征张量。
步骤302:将所述初始特征张量输入至带有注意力模块的基石网络中,得到所述人脸图像的操作痕迹特征。其中,所述带有注意力模块的基石网络包括多个基石节点,每个所述基石节点嵌入注意力模块,所述注意力模块用于将输入到每个基石节点中的特征张量进行细化,以最终得到人脸图像中的操作痕迹特征。其中,所述注意力模块包括最大池操作模块,平均池操作模块以及梯度子模块,所述注意模块输出的特征张量包括所述最大池模块,平均池操作模块以及梯度子模块输出的特征张量。
如图5所示,本实施例的人脸图像操作痕迹识别算法,是对基石网络进行改进,具体为将注意力模块嵌入到基石网络中的每个基石节点,注意力模块的嵌入使得基石网络中的每个基石节点具有更优的特征识别能力、由于注意力模块包括最大池操作模块、平均池操作模块及梯度子模块。本实施例中的人脸图像操纵痕迹识别算法其本质同样是将梯度子算法嵌入到基石网络中,所形成的新的深度网络具有更有的特征识别能力。
进一步的,在每个基石节点,注意力模块中的所述用最大池化操作模块和所述平均池化操作模块,用于捕获所述人脸图像各基色通道之间的操纵痕迹关联,并通过共享网络生成通道注意映射,得到第一子操作痕迹特征。这里的共享网络包括1×1卷积层和ReLU激活函数。
所述梯度子模块,用于进一步的对人脸图像的操作痕迹特征进行捕捉,得到第二子操作痕迹特征;
将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合,得到每个基石节点输出的细化后的人脸特征张量,前一个基石节点的输出作为后一个基石节点的输入,最后一个基石节点输出的特征经平均池化后得到的特征即为模型最终的输出,该输出可体现人脸图像的操纵痕迹。
进一步的,第一子操作痕迹特征与所述第二子操作痕迹特征融合方式为:
通过预设权重对所述梯度子模块得到的所述第二子操作痕迹特征进行加权处理,得到加权处理后的第二子操作痕迹特征;
所述将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合为:
通过sigmoid函数将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合。
如图6和图7所示,在又一个实施例中,提供了一种人脸图像操作痕迹检测方法,包括:
步骤401:解析输入的人脸图像,得到所述人脸图像对应的初始特征张量。
步骤402:将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量,并将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的第一操作痕迹特征,其中,所述具有一层固定权值的卷积网络为梯度操作。
步骤403:将所述初始特征张量输入带有注意力模块的基石网络中,得到所述人脸图像的第二操作痕迹特征,其中,所述基石网络包括多个基石节点,每个所述基石节点嵌入注意力模块,所述注意力模块用于将输入到每个基石节点中的特征张量进行细化;其中,所述注意力模块包括最大池操作模块,平均池操作模块以及梯度子模块,所述注意模块输出的特征张量包括所述最大池模块,平均池操作模块以及梯度子模块输出的特征张量。
步骤404:融合所述第一操作痕迹特征和所述第二操作痕迹特征,得到最终输出。
本实施例中,步骤402与第一个实施例中的特征识别方式相同,步骤403与第二个实施例中的识别方式相同,因此,这两个步骤在本实施例中不再赘述。
本实施例的人脸图像操纵痕迹识别方法,是通过两个通道的深度网络对同一人脸图像进行识别,在将两个通道得到的人脸图像特征进行融合,以更加精准的识别出该人脸图像对应的操纵痕迹特征。
在步骤404具体为:所述第一操作痕迹特征和所述第二操作痕迹特征逐像素相加的方式进行融合。
在一个实施例中,提供了一种人脸图像操作痕迹检测装置,包括:
人脸图像输入模块,用于解析输入的人脸图像,得到所述人脸图像对应的初始特征张量。
梯度子卷积预处理模块,用于将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量。
基石网络模块,用于将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的操作痕迹特征,
其中,所述具有一层固定权值的卷积网络为梯度操作子。
在另一个实施例中,提供了一种人脸图像操作痕迹检测装置,包括:
人脸图像输入模块,用于解析输入的人脸图像,得到所述人脸图像对应的初始特征张量;
带有注意力模块的基石模块,用于将所述初始特征张量输入至带有注意力模块的基石网络中,得到所述人脸图像的操作痕迹特征;其中,所述带有注意力模块的基石网络包括多个基石节点,每个所述基石节点嵌入注意力模块,所述注意力模块用于将输入到每个基石节点中的特征张量进行细化,以最终得到人脸图像中的操作痕迹特征;其中,所述注意力模块包括最大池操作模块,平均池操作模块以及梯度子模块,所述注意模块输出的特征张量包括所述最大池模块,平均池操作模块以及梯度子模块输出的特征张量。
在另一个实施例中,如图8所示,提供了一种人脸图像操作痕迹检测装置,包括:
人脸图像输入模块802,用于解析输入的人脸图像,得到所述人脸图像对应的初始特征张量。
梯度子预处理模块804,用于将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量,并将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的第一操作痕迹特征;其中,所述具有一层固定权值的卷积网络为梯度操作子。
带有注意力模块的基石模块806,用于将所述初始特征张量输入带有注意力模块的基石网络中,得到所述人脸图像的第二操作痕迹特征;其中,所述基石网络包括多个基石节点,每个所述基石节点嵌入注意力模块,所述注意力模块用于将输入到每个基石节点中的特征张量进行细化;其中,所述注意力模块包括最大池操作模块,平均池操作模块以及梯度子模块,所述注意模块输出的特征张量包括所述最大池模块,平均池操作模块以及梯度子模块输出的特征张量。
特征融合模块808,融合所述第一操作痕迹特征和所述第二操作痕迹特征,得到最终输出。
可选地,本申请实施例还提供一种电子设备,包括一个或多个处理器,存储器,用于存储一个或多个程序,该一个或多个程序被处理器执行时实现上述人脸图像操作痕迹检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序在计算机上被执行时实现上述人脸图像操作痕迹检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种人脸图像操作痕迹检测方法,其特征在于,包括:
解析输入的人脸图像,得到所述人脸图像对应的初始特征张量;
将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量;
将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的操作痕迹特征,
其中,所述具有一层固定权值的卷积网络为梯度操作子。
2.一种人脸图像操作痕迹检测方法,其特征在于,包括:
解析输入的人脸图像,得到所述人脸图像对应的初始特征张量;
将所述初始特征张量输入至带有注意力模块的基石网络中,得到所述人脸图像的操作痕迹特征;
其中,所述带有注意力模块的基石网络包括多个基石节点,每个所述基石节点嵌入注意力模块,所述注意力模块用于将输入到每个基石节点中的特征张量进行细化,以最终得到人脸图像中的操作痕迹特征;
其中,所述注意力模块包括最大池操作模块,平均池操作模块以及梯度子模块,所述注意模块输出的特征张量包括所述最大池模块,平均池操作模块以及梯度子模块输出的特征张量。
3.一种人脸图像操作痕迹检测方法,其特征在于,包括:
解析输入的人脸图像,得到所述人脸图像对应的初始特征张量;
将所述初始特征张量输入至具有一层固定权值的卷积网络中进行卷积操作,得到细化后的特征张量,并将所述细化后的特征张量输入至基石网络中,得到所述人脸图像的第一操作痕迹特征;
其中,所述具有一层固定权值的卷积网络为梯度操作子;
将所述初始特征张量输入带有注意力模块的基石网络中,得到所述人脸图像的第二操作痕迹特征;
其中,所述基石网络包括多个基石节点,每个所述基石节点嵌入注意力模块,所述注意力模块用于将输入到每个基石节点中的特征张量进行细化;
其中,所述注意力模块包括最大池操作模块,平均池操作模块以及梯度子模块,所述注意模块输出的特征张量包括所述最大池模块,平均池操作模块以及梯度子模块输出的特征张量;
融合所述第一操作痕迹特征和所述第二操作痕迹特征,得到最终输出。
4.根据权利要求1-3任一项所述的人脸图像操作痕迹检测方法,其特征在于,所述基石网络为ResNet-18网络。
5.根据权利要求2或3所述的人脸图像操作痕迹检测方法,其特征在于,
所述用最大池化操作模块和所述平均池化操作模块,用于捕获所述人脸图像各基色通道之间的操纵痕迹关联,并通过共享网络生成通道注意映射,得到第一子操作痕迹特征;
所述梯度子模块,用于进一步的对人脸图像的操作痕迹特征进行捕捉,得到第二子操作痕迹特征;
将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合,得到所述带有注意力模块的基础网络输出的所述人脸图像的操作痕迹特征。
6.根据权利要求5所述的人脸图像操作痕迹检测方法,其特征在于,所述方法还包括:
通过预设权重对所述梯度子模块得到的所述第二子操作痕迹特征进行加权处理,得到加权处理后的第二子操作痕迹特征;
所述将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合为:
通过sigmoid函数将所述第一子操作痕迹特征与所述第二子操作痕迹特征进行融合。
7.根据权利要求5所述的人脸图像操作痕迹检测方法,其特征在于,所述共享网络包括1×1卷积层和ReLU激活函数。
8.根据权利要求3所述的人脸图像操作痕迹检测方法,其特征在于,所述融合所述第一操作痕迹特征和所述第二操作痕迹特征,得到最终输出为:
所述第一操作痕迹特征和所述第二操作痕迹特征逐像素相加的方式进行融合。
9.一种计算机设备,包括存储器和处理器,其中,所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8任一项所述的方法。
10.一种可读存储介质,其特征在于,包括计算机程序,所述计算机程序在计算机上被执行时,使得所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094844.3A CN113762205A (zh) | 2021-09-17 | 2021-09-17 | 人脸图像操作痕迹检测方法、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094844.3A CN113762205A (zh) | 2021-09-17 | 2021-09-17 | 人脸图像操作痕迹检测方法、计算机设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762205A true CN113762205A (zh) | 2021-12-07 |
Family
ID=78796370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111094844.3A Pending CN113762205A (zh) | 2021-09-17 | 2021-09-17 | 人脸图像操作痕迹检测方法、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762205A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376692A (zh) * | 2018-11-22 | 2019-02-22 | 河海大学常州校区 | 面向人脸表情识别的迁移卷积神经网络方法 |
CN110322394A (zh) * | 2019-06-18 | 2019-10-11 | 中国科学院自动化研究所 | 基于属性引导的人脸年龄老化图像对抗生成方法及装置 |
CN111553438A (zh) * | 2020-05-07 | 2020-08-18 | 广州鹄志信息咨询有限公司 | 一种基于卷积神经网络的图像识别方法 |
CN111860309A (zh) * | 2020-07-20 | 2020-10-30 | 汪秀英 | 一种人脸识别方法及系统 |
CN111932596A (zh) * | 2020-09-27 | 2020-11-13 | 深圳佑驾创新科技有限公司 | 摄像头遮挡区域的检测方法、装置、设备和存储介质 |
WO2020258119A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
CN112949469A (zh) * | 2021-02-26 | 2021-06-11 | 中国科学院自动化研究所 | 针对人脸篡改图像特点分布的图像识别方法、系统及设备 |
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 |
-
2021
- 2021-09-17 CN CN202111094844.3A patent/CN113762205A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376692A (zh) * | 2018-11-22 | 2019-02-22 | 河海大学常州校区 | 面向人脸表情识别的迁移卷积神经网络方法 |
CN110322394A (zh) * | 2019-06-18 | 2019-10-11 | 中国科学院自动化研究所 | 基于属性引导的人脸年龄老化图像对抗生成方法及装置 |
WO2020258119A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
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 |
CN111553438A (zh) * | 2020-05-07 | 2020-08-18 | 广州鹄志信息咨询有限公司 | 一种基于卷积神经网络的图像识别方法 |
CN111860309A (zh) * | 2020-07-20 | 2020-10-30 | 汪秀英 | 一种人脸识别方法及系统 |
CN111932596A (zh) * | 2020-09-27 | 2020-11-13 | 深圳佑驾创新科技有限公司 | 摄像头遮挡区域的检测方法、装置、设备和存储介质 |
CN112949469A (zh) * | 2021-02-26 | 2021-06-11 | 中国科学院自动化研究所 | 针对人脸篡改图像特点分布的图像识别方法、系统及设备 |
Non-Patent Citations (2)
Title |
---|
ZHIQING GUO ET AL.: "Fake face detection via adaptive manipulation traces extraction network", ARXIV, pages 1 - 10 * |
朱骋;周越;: "基于梯度L0稀疏正则化的图像盲去模糊算法", 中国体视学与图像分析, no. 04, pages 361 - 368 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967475A (zh) | 一种基于窗口滑动和卷积神经网络的验证码识别方法 | |
CN111428807A (zh) | 图像处理方法及计算机可读存储介质 | |
CN112150450B (zh) | 一种基于双通道U-Net模型的图像篡改检测方法及装置 | |
CN113762138B (zh) | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 | |
CN111444873A (zh) | 视频中人物真伪的检测方法、装置、电子设备及存储介质 | |
Zhang et al. | No one can escape: A general approach to detect tampered and generated image | |
Mansourifar et al. | One-shot gan generated fake face detection | |
CN116206334A (zh) | 一种野生动物识别方法和装置 | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
Song et al. | Depth-aware saliency detection using discriminative saliency fusion | |
Meng et al. | High-capacity steganography using object addition-based cover enhancement for secure communication in networks | |
CN116822623B (zh) | 一种生成对抗网络联合训练方法、装置、设备及存储介质 | |
CN113591603A (zh) | 证件的验证方法、装置、电子设备及存储介质 | |
CN113762205A (zh) | 人脸图像操作痕迹检测方法、计算机设备及可读存储介质 | |
CN114638984B (zh) | 一种基于胶囊网络的恶意网站url检测方法 | |
Wang et al. | Deep-learning-based block similarity evaluation for image forensics | |
CN109886865A (zh) | 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质 | |
CN115100128A (zh) | 一种基于伪影噪声的深度伪造检测方法 | |
CN112434547B (zh) | 一种用户身份稽核方法和设备 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN117558011B (zh) | 基于自一致性矩阵和多尺度损失的图像文本篡改检测方法 | |
CN114065867B (zh) | 一种数据分类方法、系统及电子设备 | |
CN116150800B (zh) | 一种基于大数据的计算机信息安全监控系统及方法 | |
Kant Kumar et al. | Estimating attention of faces due to its growing level of emotions | |
Das et al. | Spliced Region Detection and Localization in Digital Images Based on CNN Learning Guided by Color Transitions and Surface Texture |
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 | ||
CB02 | Change of applicant information |
Address after: 518000 District D and E, 7th Floor, Building 3, Tingwei Industrial Park, 6 Liufang Road, Xin'an Street, Baoan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Aixiesheng Technology Co.,Ltd. Address before: 518000 District D and E, 7th Floor, Building 3, Tingwei Industrial Park, 6 Liufang Road, Xin'an Street, Baoan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN AIXIESHENG TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |