CN114841969A - 一种基于颜色梯度纹理表示的伪造人脸鉴别方法 - Google Patents
一种基于颜色梯度纹理表示的伪造人脸鉴别方法 Download PDFInfo
- Publication number
- CN114841969A CN114841969A CN202210498013.0A CN202210498013A CN114841969A CN 114841969 A CN114841969 A CN 114841969A CN 202210498013 A CN202210498013 A CN 202210498013A CN 114841969 A CN114841969 A CN 114841969A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- ldn
- gradient
- extracting
- 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
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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于颜色梯度纹理表示的伪造人脸鉴别方法,本发明通过在颜色梯度域中提取细微的伪造特征用于伪造图像的检测。具体来说,本发明把一般的RGB图像转化到HSV颜色空间,然后从中提取水平和垂直方向上的梯度域信息。然后通过提取梯度域的局部方向数(LDN)特征进行真伪图像检测。同时为了保留全局性的一些联系信息,本发明将图像分为多个分块以提高检测准确性。大量实验证明了本发明的有效性,且本发明对多种常见的扰动攻击也具有较佳的鲁棒性。
Description
技术领域
本发明创造属人脸鉴别方法技术领域,具体涉及一种基于颜色梯度纹理表示的伪造人脸鉴别方法。
背景技术
生成对抗网络即Generative Adversarial Networks(GAN),GAN是一种新型的图像合成方法,这类技术很多已应用于各种图像合成和生成领域。GAN主要包含生成器和辨别器,生成器用于生成图像,辨别器则对生成的图像进行辨别。GAN通过生成器和辨别器的互相博弈,直到辨别器也难以分辨生成器生成的图像,最后得到一个可以进行图像合成的模型。
GAN强大的图像合成和编辑能力带来了新的价值,但是合成图像存在的潜在风险也不可忽视,可能对社会造成不好的影响。生成的图像可能被用于伪造图像或视频并制造假新闻,生成的人脸也可能可发布在社交网络上以伪造个人信息。如果将这些虚假的内容作为新闻资料进行传播,将损害新闻机构的声誉和公众对媒体的信心,甚至误导舆论,扰乱社会秩序。合成图像的危害和影响已经蔓延到世界各地,导致道德、法律和安全问题。在某些国家,曾出现过利用深度学习造假技术制作虚假图像、欺骗公众甚至进行间谍活动的案例。合成图像的危害和影响已经蔓延到世界各地,导致道德、法律和安全问题。寻找有效的虚假图像检测技术迫在眉睫。
然而目前的伪造鉴别技术还在发展阶段,同时GAN生成伪造图像的技术也在迅速发展进化。最初的伪造图像能通过图像上的不正常伪影和奇怪轮廓等可见的特征进行分辨,但随着GAN的不断演化,目前的检测算法面临的挑战不断增加,当前已经难以通过肉眼可见的特征对图像进行真伪鉴别了,需挖掘图像更深层的线索以鉴别图像的真伪。
发明内容
为了解决上述问题,本发明基于生成伪造图像的像素间的相关性和真假图像在HSV颜色通道上的差异,提供一种基于颜色梯度纹理表示的伪造人脸鉴别方法。
为实现上述目的,本发明创造提供如下技术方案:
一种基于颜色梯度纹理表示的伪造人脸鉴别方法,其步骤为:
步骤1:将彩色图像从RGB颜色空间转换到HSV颜色空间。
对于输入的一张彩色图像,调整尺寸到256×256像素大小,通过matlab自带函数rgb2hsv对输入图像进行运算,得到的结果图像即为HSV颜色空间图像,图像的三个颜色通道分别代表为H、S、V。
步骤2:对HSV颜色空间图像的每个颜色通道提取梯度域。
对H、S、V颜色通道提取梯度域,通过matlab自带函数imgradientxy对颜色通道进行运算,得到的结果分别为水平和垂直方向上的图像梯度域。
步骤3:将梯度域图像划分为N个等大的小块。
对梯度域图像进行分块,对于每个颜色分量的水平和垂直方向梯度域图像,将大小为256×256像素的图像划分为16个64×64像素大小的分块。
步骤4:从每个分块中提取局部方向数特征并进行合并,得到最终的特征值。
提取局部方向数特征过程为:
1)本发明使用的LDN掩膜由高斯掩膜构成,高斯掩膜公式为
LDN掩膜公式为:
Mσ(x,y)=G′σ(x+k,y)*Gσ(x,y)
将M以45°进行旋转,最终可在八个方向上获得M0~M7八个掩膜;
2)将每个掩膜与分块图像进行卷积运算:IIi=I*Mi,对于每个像素与其领域,取正方向和负方向上的最大响应位置值,其公式为:
ix,y=argimax{Πi(x,y)|0≤i≤7};jx,y=argjmax{Πj(x,y)|0≤j≤7};
将当前像素的正方向和负方向上的最大响应位置值进行编码,其公式为:
LDN(x,y)=8ix,y+jx,y;
对所有像素进行LDN编码,构建LDN编码直方图,以此作为LDN特征进行编码,将所有图像块进行LDN特征值提取并进行连接构造最终的LDN特征值。
步骤5:将最终的特征值输入支持向量机进行鉴别。
具体为:将30000张真实图像和30000张伪造图像作为训练集,按前述步骤提取训练集图像特征值,并以此对支持向量机进行训练,训练完成的支持向量机模型对待检测的图像提取的特征值进行鉴别,最后得到鉴别结果。
本发明创造的有益效果是:
(1)本发明提供的是一种基于颜色梯度纹理表示的伪造人脸鉴别方法,具体利用了真伪图像在HSV颜色空间和领域像素间的差异,丰富和发展了伪造图像鉴别方法的物理特征指标。
(2)本发明对多种扰动攻击如压缩、模糊、调整大小和添加噪声具有很强的鲁棒性。
附图说明
图1是本发明提出特征提取流程图。
图2是具体实施中所输入的RGB颜色空间图像。
图3是具体实施中为转换后的HSV颜色空间图像。
图4a是具体实施中为V颜色空间上的水平方向梯度图,图4b是具体实施中V颜色空间上的垂直方向梯度图。
图5是具体实施中对梯度图的分块设置。
图6是具体实施中的LDN掩膜函数分布图。
图7a是具体实施中的梯度图的一个分块,图7b是具体实施中由分块计算得出的LDN特征图。
具体实施方式
下面将结合本发明创造实施例中的附图,对本发明创造实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明创造一部分实施例,而不是全部的实施例。基于本发明创造中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明创造保护的范围。
步骤1:将彩色图像从RGB颜色空间转换到HSV颜色空间。
对于输入的一张彩色图像,调整尺寸到256×256像素大小,通过matlab自带函数rgb2hsv对输入图像进行运算,得到的结果图像即为HSV颜色空间图像,图像的三个颜色通道分别代表为H、S、V。
步骤2:对HSV颜色空间图像的每个颜色通道提取梯度域。
对H、S、V颜色通道提取梯度域,通过matlab自带函数imgradientxy对颜色通道进行运算,得到的结果分别为水平和垂直方向上的图像梯度域。
步骤3:将梯度域图像划分为N个等大的小块。
对梯度域图像进行分块,对于每个颜色分量的水平和垂直方向梯度域图像,将大小为256×256像素的图像划分为16个64×64像素大小的分块。
步骤4:从每个分块中提取局部方向数特征并进行合并,得到最终的特征值。
提取局部方向数特征过程为:
1)本发明使用的LDN掩膜由高斯掩膜构成,高斯掩膜公式为
LDN掩膜公式为:
Mσ(x,y)=G′σ(x+k,y)*Gσ(x,y)
将M以45°进行旋转,最终可在八个方向上获得M0~M7八个掩膜;
2)将每个掩膜与分块图像进行卷积运算:IIi=I*Mi,对于每个像素与其领域,取正方向和负方向上的最大响应位置值,其公式为:
ix,y=argimax{Πi(x,y)|0≤i≤7};jx,y=argjmax{Πj(x,y)|0≤j≤7};
将当前像素的正方向和负方向上的最大响应位置值进行编码,其公式为:
LDN(x,y)=8ix,y+jx,y;
对所有像素进行LDN编码,构建LDN编码直方图,以此作为LDN特征进行编码,将所有图像块进行LDN特征值提取并进行连接构造最终的LDN特征值。
步骤5:将最终的特征值输入支持向量机进行鉴别。
具体为:将30000张真实图像和30000张伪造图像作为训练集,按前述步骤提取训练集图像特征值,并以此对支持向量机进行训练,训练完成的支持向量机模型对待检测的图像提取的特征值进行鉴别,最后得到鉴别结果。
实施例1:
步骤1:将彩色图像从RGB颜色空间转换到HSV颜色空间;将输入图像调整尺寸到256×256像素大小,通过matlab函数rgb2hsv进行颜色空间转换。图2为原始彩色图像,图3为HSV颜色空间的图像。
步骤2:对HSV颜色空间图像的每个颜色通道提取梯度域;通过matlab自带函数imgradientxy对H、S、V颜色通道提取梯度域,得到的结果分别为水平和垂直方向上的图像梯度域。如图4为V颜色通道的水平和垂直方向上的图像梯度域。
步骤3:将梯度域图像划分为N个等大的小块;以V颜色空间的垂直方向上的图像梯度域为例,将图像划分为16个等大的小块。如图5所示。
步骤4:从每个分块中提取局部方向数特征并进行合并,得到最终的特征值;首先按LDN掩膜公式构建掩膜,掩膜可视化为图6。将掩膜以45°进行旋转,最终可在八个方向上获得八个掩膜。将每个掩膜与分块图像进行卷积运算,将每个像素的正方向和负方向上的最大响应位置值进行编码,编码后的结果即为LDN特征图。计算后的LDN特征图与原图像对比如图7。以此LDN特征图构建LDN编码直方图,将所有图像块计算出的LDN编码直方图进行连接构造为最终的LDN特征值。
步骤5:将最终的特征值输入支持向量机进行鉴别。向量机根据30000对真假图像的特征值进行训练,训练后的向量机即可对伪造人脸进行鉴别。
Claims (6)
1.一种基于颜色梯度纹理表示的伪造人脸鉴别方法,其特征在于,其步骤为:
步骤1:将彩色图像从RGB颜色空间转换到HSV颜色空间;
步骤2:对HSV颜色空间图像的每个颜色通道提取梯度域;
步骤3:将梯度域图像划分为N个等大的小块;
步骤4:从每个分块中提取局部方向数特征并进行合并,得到最终的特征值;
步骤5:将最终的特征值输入支持向量机进行鉴别。
2.根据权利要求1所述的一种基于颜色梯度纹理表示的伪造人脸鉴别方法,其特征在于,所述的步骤1中,具体为:对于输入的一张彩色图像,调整尺寸到256×256像素大小,通过matlab自带函数rgb2hsv对输入图像进行运算,得到的结果图像即为HSV颜色空间图像,图像的三个颜色通道分别代表为H、S、V。
3.根据权利要求1所述的一种基于颜色梯度纹理表示的伪造人脸鉴别方法,其特征在于,所述的步骤2中,具体为:对H、S、V颜色通道提取梯度域,通过matlab自带函数imgradientxy对颜色通道进行运算,得到的结果分别为水平和垂直方向上的图像梯度域。
4.根据权利要求1所述的一种基于颜色梯度纹理表示的伪造人脸鉴别方法,其特征在于,所述的步骤3中,具体为:对梯度域图像进行分块,对于每个颜色分量的水平和垂直方向梯度域图像,将大小为256×256像素的图像划分为16个64×64像素大小的分块。
5.根据权利要求1所述的一种基于颜色梯度纹理表示的伪造人脸鉴别方法,其特征在于,所述的步骤4中,提取局部方向数特征过程为:
1)本发明使用的LDN掩膜由高斯掩膜构成,高斯掩膜公式为
LDN掩膜公式为:
Mσ(x,y)=G′σ(x+k,y)*Gσ(x,y)
将M以45°进行旋转,最终可在八个方向上获得M0~M7八个掩膜;
2)将每个掩膜与分块图像进行卷积运算:IIi=I*Mi,对于每个像素与其领域,取正方向和负方向上的最大响应位置值,其公式为:
ix,y=argimax{Πi(x,y)|0≤i≤7};jx,y=argjmax{Πj(x,y)|0≤j≤7};
将当前像素的正方向和负方向上的最大响应位置值进行编码,其公式为:
LDN(x,y)=8ix,y+jx,y;
对所有像素进行LDN编码,构建LDN编码直方图,以此作为LDN特征进行编码,将所有图像块进行LDN特征值提取并进行连接构造最终的LDN特征值。
6.根据权利要求1所述的一种基于颜色梯度纹理表示的伪造人脸鉴别方法,其特征在于,所述的步骤5中,具体为:将30000张真实图像和30000张伪造图像作为训练集,按前述步骤提取训练集图像特征值,并以此对支持向量机进行训练,训练完成的支持向量机模型对待检测的图像提取的特征值进行鉴别,最后得到鉴别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498013.0A CN114841969A (zh) | 2022-05-07 | 2022-05-07 | 一种基于颜色梯度纹理表示的伪造人脸鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498013.0A CN114841969A (zh) | 2022-05-07 | 2022-05-07 | 一种基于颜色梯度纹理表示的伪造人脸鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841969A true CN114841969A (zh) | 2022-08-02 |
Family
ID=82571150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210498013.0A Pending CN114841969A (zh) | 2022-05-07 | 2022-05-07 | 一种基于颜色梯度纹理表示的伪造人脸鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841969A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117842923A (zh) * | 2024-02-06 | 2024-04-09 | 浙江驿公里智能科技有限公司 | 智能全自动加油机器人的控制系统及方法 |
-
2022
- 2022-05-07 CN CN202210498013.0A patent/CN114841969A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117842923A (zh) * | 2024-02-06 | 2024-04-09 | 浙江驿公里智能科技有限公司 | 智能全自动加油机器人的控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Verdoliva | Media forensics and deepfakes: an overview | |
Yang et al. | Source camera identification based on content-adaptive fusion residual networks | |
Wang et al. | Detection and localization of image forgeries using improved mask regional convolutional neural network | |
CN112001429B (zh) | 一种基于纹理特征的深度伪造视频检测方法 | |
Chen et al. | SNIS: A signal noise separation-based network for post-processed image forgery detection | |
De La Croix et al. | Secret message protection using fuzzy logic and difference expansion in digital images | |
Zhang et al. | No one can escape: A general approach to detect tampered and generated image | |
CN112907598A (zh) | 一种基于注意力cnn文档证件类图像篡改检测方法 | |
CN112215780B (zh) | 基于类特征修复融合的图像取证对抗性攻击防御方法 | |
CN112085643B (zh) | 图像脱敏处理方法、验证方法及装置、设备及介质 | |
Korshunov et al. | Vulnerability of face recognition to deep morphing | |
Wandji et al. | Detection of copy-move forgery in digital images based on DCT | |
Mahmood et al. | Forensic analysis of copy-move forgery in digital images using the stationary wavelets | |
Jwaid et al. | An efficient technique for image forgery detection using local binary pattern (hessian and center symmetric) and transformation method | |
Wang et al. | Adversarial analysis for source camera identification | |
CN111259792A (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
CN114841969A (zh) | 一种基于颜色梯度纹理表示的伪造人脸鉴别方法 | |
CN117314714A (zh) | 基于双域和多尺度网络的文档图像篡改检测与分类方法 | |
CN111284157B (zh) | 一种基于分数阶隐写技术的商品包装防伪印刷及验证方法 | |
Beuve et al. | Waterlo: Protect images from deepfakes using localized semi-fragile watermark | |
Savakar et al. | Copy-move image forgery detection using shannon entropy | |
Zhang et al. | Detection of LSB Matching Steganography using the Envelope of Histogram. | |
CN115188039A (zh) | 一种基于图像频域信息的深度伪造视频技术溯源方法 | |
Uliyan et al. | Detection of scaled region duplication image forgery using color based segmentation with LSB signature | |
Sisaudia et al. | Tamper detection using self-generating watermarks based on local binary patterns |
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 |