CN115346278A - 图像检测方法、装置、可读介质及电子设备 - Google Patents

图像检测方法、装置、可读介质及电子设备 Download PDF

Info

Publication number
CN115346278A
CN115346278A CN202211035818.8A CN202211035818A CN115346278A CN 115346278 A CN115346278 A CN 115346278A CN 202211035818 A CN202211035818 A CN 202211035818A CN 115346278 A CN115346278 A CN 115346278A
Authority
CN
China
Prior art keywords
target
image
noise
color
characteristic
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
Application number
CN202211035818.8A
Other languages
English (en)
Inventor
郭明宇
刘博元
冉蛟
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 Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao 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 Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202211035818.8A priority Critical patent/CN115346278A/zh
Publication of CN115346278A publication Critical patent/CN115346278A/zh
Pending legal-status Critical Current

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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V40/10—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像检测方法、装置、可读介质及电子设备。该方法包括：获取待检测的目标图像，将目标图像输入预先生成的目标检测模型，得到目标图像对应的目标真伪检测结果；其中，该目标检测模型可以用于获取目标图像对应的目标色彩特征和目标噪声特征，并根据目标色彩特征和目标噪声特征对该目标图像进行真伪检测，得到目标真伪检测结果。这样，通过结合目标色彩特征和目标噪声特征各自的优势进行真伪检测，可以提高图像真伪检测的准确度。

Description

图像检测方法、装置、可读介质及电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种图像检测方法、装置、可读介质及电子设备。
背景技术
随着计算机技术的进步，深度人脸合成技术层出不穷，以深度人脸为代表的伪造图与视频大量涌入互联网，引起了社会的广泛关注。因此，人脸伪造的检测技术非常重要，该技术近年来成为数字图像取证领域的重要研究方向。尤其近年来，随着人脸伪造技术的技术更新迭代，合成的伪造人脸真实度、分辨率以及对抗伪造检测的能力都有明显提升。而相关技术中的图像真伪检测技术存在检测正确率低的问题。
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。
根据本公开实施例的第一方面，提供一种图像检测方法，所述方法包括：
获取待检测的目标图像；
将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果；
其中，所述目标检测模型用于获取所述目标图像对应的目标色彩特征和目标噪声特征，并根据所述目标色彩特征和所述目标噪声特征对所述目标图像进行真伪检测，得到所述目标真伪检测结果。
根据本公开实施例的第二方面，提供一种图像检测装置，所述装置包括：
获取模块，用于获取待检测的目标图像；
检测模块，用于将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果；其中，所述目标检测模型用于获取所述目标图像对应的目标色彩特征和目标噪声特征，并根据所述目标色彩特征和所述目标噪声特征对所述目标图像进行真伪检测，得到所述目标真伪检测结果。
根据本公开实施例的第三方面，提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理装置执行时实现本公开第一方面所述方法的步骤。
根据本公开实施例的第四方面，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所述方法的步骤。
采用上述技术方案，获取待检测的目标图像，将目标图像输入预先生成的目标检测模型，得到目标图像对应的目标真伪检测结果；其中，该目标检测模型可以用于获取目标图像对应的目标色彩特征和目标噪声特征，并根据目标色彩特征和目标噪声特征对该目标图像进行真伪检测，得到目标真伪检测结果。这样，通过结合目标色彩特征和目标噪声特征各自的优势进行真伪检测，可以提高图像真伪检测的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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图像检测方法的流程图。
图2是根据一示例性实施例示出的一种目标检测模型的示意图。
图3是根据一示例性实施例示出的另一种图像检测方法的流程图。
图4是根据一示例性实施例示出的另一种目标检测模型的示意图。
图5是根据一示例性实施例示出的另外一种图像检测方法的流程图。
图6是根据一示例性实施例示出的一种预先生成目标检测模型的方法的流程图。
图7是根据一示例性实施例示出的一种图像检测装置的框图。
图8是根据一示例性实施例示出的另一种图像检测装置的框图。
图9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”。在本公开的描述中，除非另有说明，“多个”是指两个或多于两个，其它量词与之类似；“至少一项(个)”、“一项(个)或多项(个)”或其类似表达，是指的这些项(个)中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，至少一项(个)a，可以表示任意数目个a；再例如，a，b和c中的一项(个)或多项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个；“和/或”是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。
在本公开实施例中尽管在附图中以特定的顺序描述操作或步骤，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作或步骤，或是要求执行全部所示的操作或步骤以得到期望的结果。在本公开的实施例中，可以串行执行这些操作或步骤；也可以并行执行这些操作或步骤；也可以执行这些操作或步骤中的一部分。
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。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
首先，对本公开的应用场景进行说明。本公开可以应用于图像检测场景，特别是图像真伪检测的场景，例如人脸真伪检测。
随着人脸伪造技术的技术更新迭代，合成的伪造人脸真实度、分辨率以及对抗伪造检测的能力都有明显提升。而相关技术中的人脸真伪检测技术，大多仅对已学习的人脸伪造方法拥有一定鉴别能力，但对真实的应用场景下的复杂后处理、图像或视频压缩等问题的应对能力十分有限。此外，相关技术中的方法在面临未知的新型人脸伪造方法时，鉴别准确率会出现显著的下降。
为了解决上述问题，本公开提供了一种图像检测方法、装置、可读介质及电子设备，通过目标检测模型获取目标图像对应的目标色彩特征和目标噪声特征，并根据目标色彩特征和目标噪声特征对该目标图像进行真伪检测，得到目标真伪检测结果，从而可以提高图像真伪检测的准确度。
下面结合具体实施例对本公开进行说明。
图1是根据一示例性实施例示出的一种图像检测方法的流程图。该方法可以应用于电子设备，该电子设备可以包括终端设备，例如智能手机、智能可穿戴设备、智能音箱、智能平板、PDA(Personal Digital Assistant，个人数字助理)、CPE(Customer PremiseEquipment，客户终端设备)、个人计算机、车载终端等；该电子设备也可以包括服务器，例如本地服务器或云服务器。如图1所示，该方法可以包括：
S101、获取待检测的目标图像。
在本步骤中，可以实时采集该目标图像，也可以获取预先存储的该目标图像，还可以接收其它设备发送的该目标图像，本公开对该目标图像的获取方式不作限定。该目标图像可以是图片，也可以是视频，本公开对目标图像的类型也不作限定。
S102、将目标图像输入预先生成的目标检测模型，得到目标图像对应的目标真伪检测结果。
其中，该目标检测模型可以用于获取目标图像对应的目标色彩特征和目标噪声特征，并根据目标色彩特征和目标噪声特征对该目标图像进行真伪检测，得到目标真伪检测结果。
在一些实施例中，该目标图像可以是任意图像，该目标真伪检测结果可以用于表征该目标图像是否被篡改，若该目标图像被篡改过，则该目标真伪检测结果为“伪造”，否则，该目标真伪检测结果为“真实”。
在另一些实施例中，该目标图像可以是包括人脸的图像，该目标真伪检测结果可以用于表征人脸是否被篡改。例如，该目标真伪检测结果为“伪造”可以表征人脸被篡改，反之，该目标真伪检测结果为“真实”则可以表征人脸未被篡改。
在另外一些实施例中，该目标图像可以是包括目标物体的图像，该目标真伪检测结果可以用于表征目标物体是否被篡改。
采用上述方法，获取待检测的目标图像，将目标图像输入预先生成的目标检测模型，得到目标图像对应的目标真伪检测结果；其中，该目标检测模型可以用于获取目标图像对应的目标色彩特征和目标噪声特征，并根据目标色彩特征和目标噪声特征对该目标图像进行真伪检测，得到目标真伪检测结果。这样，通过结合目标色彩特征和目标噪声特征各自的优势(也就是色彩模态和噪声模态各自的优势)进行真伪检测，可以提高图像真伪检测的准确度。
图2是根据一示例性实施例示出的一种目标检测模型的示意图。如图2所示，该目标检测模型200可以包括色彩编码器211、噪声提取器221、噪声编码器231和特征分类器241。
其中，该色彩编码器可以根据输入的目标图像，向特征分类器输出目标色彩特征，并向噪声提取器输出中间层特征图；该噪声提取器可以根据输入的目标图像向噪声编码器输出该目标图像对应的待定图像，并根据输入的中间层特征图向噪声编码器输出该中间层特征图对应的第一待定特征图；该噪声编码器可以根据输入的待定图像和第一待定特征图，向特征分类器输出目标噪声特征；该特征分类器可以用于根据输入的目标色彩特征和目标噪声特征，输出目标图像对应的目标真伪检测结果。
这样，通过在目标检测模型中包括色彩编码器、噪声提取器、噪声编码器和特征分类器，可以综合目标色彩特征和目标噪声特征各自的优势进行真伪检测，从而提高了图像真伪检测的准确度。
在一些实施例中，上述色彩编码器和噪声提取器的结构均可以为卷积神经网络，例如CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent NeuralNetwork，循环神经网络)、MLP(Multilayer Perceptron，多层感知器)或Transformer。
在一些实施例中，上述色彩编码器和噪声提取器所包含的卷积核的数目可以相等。
进一步地，上述噪声提取器的卷积核可以采用相关技术中的卷积核算子，也可以采用更加复杂的边缘提取算子如Sobel、Prewitt、Roberts算子等。
图3是根据一示例性实施例示出的另一种图像检测方法的流程图。如图3所示，该方法可以包括：
S301、获取待检测的目标图像。
S302、将目标图像输入色彩编码器，得到该目标图像对应的目标色彩特征和至少一个中间层特征图。
示例地，该色彩编码器可以包括多个第一卷积核，每个第一卷积核输出一个中间层特征图，目标图像经过多个第一卷积核处理后，最终得到目标图像对应的目标色彩特征。
S303、通过噪声提取器按照预设特征提取策略对目标图像进行噪声提取，得到目标图像对应的待定图像；并通过噪声提取器按照该预设特征提取策略对中间层特征图进行噪声提取，得到中间层特征图对应的第一待定特征图。
在本步骤中，上述预设特征提取策略可以包括以下步骤：
首先，对待提取图像进行水平卷积计算，得到水平噪声特征图。
示例地，可以对待提取图像经过水平方向的[-1，1]算子的卷积操作提取图像的水平噪声信息，得到该水平噪声特征图。
其次，对待提取图像进行垂直卷积计算，得到垂直噪声特征图。
示例地，可以对待提取图像经过垂直方向的[-1，1]算子的卷积操作提取图像的垂直噪声信息，得到该垂直噪声特征图。
最后，根据水平噪声特征图和垂直噪声特征图，获取待定噪声特征图。
在一些实施例中，可以将水平噪声特征图和垂直噪声特征图叠加后得到叠加噪声特征图；将该叠加噪声特征图作为上述待定图像。
在另一些实施例中，可以将水平噪声特征图和垂直噪声特征图叠加后得到叠加噪声特征图；并对叠加噪声特征图进行归一化处理，得到待定噪声特征图。
需要说明的是，上述归一化处理可以根据预设算法将数据进行处理后，限制处理后的数据在一定的预设范围内。通过归一化处理，可以归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。在一些实施例中，可以将叠加残差图像归一化到0-255的像素值范围内，保证均匀的分布。
其中，该待提取图像可以是上述中间层特征图或对目标图像进行灰度处理后得到的图像。示例地：在该待提取图像为中间层特征图的情况下，该待定噪声特征图可以包括第一待定特征图；在该待提取图像为对目标图像进行灰度处理后得到的图像的情况下，该待定噪声特征图可以包括目标图像对应的待定图像。
这样，通过该噪声提取器可以协助提取待提取图像的一些高频信息，突出图像噪声，也忽略一些色彩和场景信息来协助特征的提取。
需要说明的是，对目标图像进行灰度处理的方式可以包括分量法、最大值法、平均值法和加权平均法等方法中的任意一种。
S304、将待定图像和第一待定特征图输入噪声编码器，得到目标图像对应的目标噪声特征。
S305、将目标色彩特征和目标噪声特征输入特征分类器，得到目标真伪检测结果。
这样，通过色彩编码器和噪声编码器分别获取目标图像对应的目标色彩特征和目标噪声特征，将目标色彩特征和目标噪声特征结合进行分类检测，可以提高真伪检测的准确度。
图4是根据一示例性实施例示出的另一种目标检测模型的示意图。如图4所示，该目标检测模型200还可以包括噪声解码器232。其中：
上述噪声编码器还可以用于根据第一待定特征图向噪声解码器输出第二待定特征图。
该噪声解码器可以根据噪声编码器输入的目标噪声特征和第二待定特征图，获取目标图像对应的预测伪造区域。该噪声解码器可以采用反卷积的形式实现，也可以采用上采样的形式实现。
示例地，可以通过以下方式获取预测伪造区域：
获取噪声编码器根据第一待定特征图输出的第二待定特征图，并将目标噪声特征和第二待定特征图输入噪声解码器，得到目标图像对应的预测伪造区域。
图5是根据一示例性实施例示出的另外一种图像检测方法的流程图。如图5所示，该方法可以包括：
S501、获取待检测的目标图像。
S502、将目标图像输入色彩编码器，得到该目标图像对应的目标色彩特征和至少一个中间层特征图。
示例地，该色彩编码器可以包括多个第一卷积核，每个第一卷积核输出一个中间层特征图，目标图像经过多个第一卷积核处理后，最终得到目标图像对应的目标色彩特征。
S503、通过噪声提取器按照预设特征提取策略对目标图像进行噪声提取，得到目标图像对应的待定图像；并通过噪声提取器按照该预设特征提取策略对中间层特征图进行噪声提取，得到中间层特征图对应的第一待定特征图。
S504、将待定图像和第一待定特征图输入噪声编码器，得到目标图像对应的目标噪声特征和第二待定特征图。
S505、将目标色彩特征和目标噪声特征输入特征分类器，得到目标真伪检测结果。
S506、将目标噪声特征和第二待定特征图输入噪声解码器，得到目标图像对应的预测伪造区域。
在一些实施例中，该预测伪造区域可以通过与目标图像的尺寸相同的黑白图像进行展示，例如，可以通过该黑白图像中的白色区域表征目标图像被篡改或伪造的区域，也可以通过该黑白图像中的黑色区域表征目标图像被篡改或伪造的区域，本公开对此不作限制。
这样，在生成目标真伪检测结果的同时，还可以生成预测伪造区域，以图像的形式指出伪造区域，增强了模型的可信度和可解释性。
在一些实施例中，上述目标真伪检测结果可以包括“真实”和“伪造”两类结果，可以在上述目标真伪检测结果为“伪造”的情况下，执行该S506步骤，而在上述目标真伪检测结果为“真实”的情况下，不执行该S506步骤。
在另一些实施例中，可以无论上述目标真伪检测结果为何种结果，均执行上述S506步骤，通过该S506步骤得到的预测伪造区域可以辅助确定S505步骤得到的目标真伪检测结果的准确度。进一步地，还可以根据该S506步骤得到的预测伪造区域对上述目标真伪检测结果进行校正。
在一种实现方式中，针对同一个目标图像，在上述预测伪造区域的像素数目大于预设像素数阈值，且上述目标真伪检测结果为“真实”的情况下，可以确定该目标真伪检测结果存在错误，并可以将该目标真伪检测结果校正为“伪造”。上述预设像素数阈值可以是大于或等于0的任意数值。
在另一种实现方式中，针对同一个目标图像，在上述预测伪造区域的像素数目与目标图像的总像素数目的比值大于或等于预设比例阈值，且上述目标真伪检测结果为“真实”的情况下，可以确定该目标真伪检测结果存在错误，并可以将该目标真伪检测结果校正为“伪造”。上述预设比例阈值可以是大于0且小于1的任意数值。
图6是根据一示例性实施例示出的一种预先生成目标检测模型的方法的流程图。如图6所示，该方法可以包括：
S601、获取至少一个真实样本图像。
该真实样本图像可以为多个，可以从现有数据库中获取，或者，也可以人工从网络上获取。
S602、对真实样本图像进行色彩重建，得到色彩伪造样本图像。
S603、根据真实样本图像和色彩伪造样本图像，确定图像样本集。
S604、根据图像样本集对目标神经网络模型进行训练，根据训练后的目标神经网络模型确定目标检测模型。
这样，无需人工构建色彩伪造样本图像，而是通过色彩重建，自动得到色彩伪造样本图像，该色彩重建的方式可以是自监督的色彩重建，这样自动生成色彩伪造样本图像，可以避免了繁杂的人工收集伪造样本的工作量，提高了样本获取效率。
在一些实施例中，该目标神经网络模型的网络结构可以与目标检测模型相同。
例如，该目标神经网络模型也可以是如图2所示的网络结构，该目标神经网络模型可以包括色彩编码器、噪声提取器、噪声编码器和特征分类器。其中，色彩编码器、噪声提取器、噪声编码器和特征分类器的功能和连接关系可以参考本公开前述实施例的描述，此处不再赘述。
再例如，该目标神经网络模型也可以是如图4所示的网络结构，包括色彩编码器、噪声提取器、噪声编码器、特征分类器和噪声解码器。该噪声解码器可以用于根据噪声编码器输出的目标噪声特征和第二待定特征图，预测得到样本图像对应的预测伪造区域。
在另一些实施例中，该目标神经网络模型的网络结构可以与目标检测模型不同，示例地，该目标神经网络模型除了包括目标检测模型外，还可以包括图4所示的色彩解码器212。
该色彩解码器可以用于根据输入的样本色彩特征输出色彩伪造样本图像，该色彩解码器可以采用反卷积的形式，也可以采用上采样的形式。
在一种实现方式中，上述S602步骤可以包括以下子步骤：
首先，将真实样本图像输入色彩编码器，得到真实样本图像对应的样本色彩特征。
然后，将样本色彩特征输入色彩解码器，得到色彩伪造样本图像。
示例地，可以通过色彩编码器提取得到真实样本图像的色彩特征，色彩特征输入到色彩解码器中进行图像重建，得到深度生成的色彩伪造样本图像。该色彩编码器可以采用卷积神经网络(例如CNN、RNN、MLP或Transformer)，该色彩解码器可以采用图像生成模型，用于使用特征向量重建图像，该色彩解码器生成的色彩伪造样本图像可以是带有伪造纹理的伪造图像。
需要说明的是，在上述预先生成目标检测模型的方法步骤中，可以根据生成的色彩伪造样本图像对色彩解码器进行训练，以便提升色彩解码器生成的色彩伪造样本图像的性能，并且，在训练阶段还可以通过该色彩解码器辅助增强色彩编码器的特征提取能力。
在上述S603步骤中，根据真实样本图像和色彩伪造样本图像，确定图像样本集的方式可以包括以下方式中的任意一种：
方式一、可以根据真实样本图像和色彩伪造样本图像生成图像样本集。
示例地，可以将真实样本图像的标签标记为“真实”，将色彩伪造样本图像的标签标记为“伪造”，从而得到图像样本集。
方式二、根据目标区域掩码对真实样本图像和/或色彩伪造样本图像进行区域伪造处理后，得到图像样本集。
示例地，可以根据目标区域掩码对待定样本图像进行区域伪造处理，得到区域伪造样本图像；根据真实样本图像、色彩伪造样本图像和区域伪造样本图像，确定图像样本集。其中，上述待定样本图像可以包括真实样本图像和/或色彩伪造样本图像，上述目标区域掩码为随机生成的区域掩码。
在一些实现方式中，可以将真实样本图像的标签标记为“真实”，将色彩伪造样本图像和区域伪造样本图像的标签均标记为“伪造”，从而得到该图像样本集。
上述目标区域掩码可以用于确定进行区域伪造处理的第一区域。例如，该目标区域掩码可以是预先设置的掩码。再例如，该目标区域掩码也可以为随机生成的区域掩码。
在一些实施例中，也可以根据目标区域掩码对待定样本图像进行区域伪造处理，得到区域伪造样本图像。
在另一些实施例中，也可以根据目标区域掩码对伪造样本图像进行区域伪造处理，得到区域伪造样本图像。
在另外一些实施例中，还可以根据目标区域掩码对待定样本图像和伪造样本图像均进行区域伪造处理，得到更多的区域伪造样本图像。
该区域伪造处理可以包括以下目标处理类型中的一种或多种：图像压缩、高斯模糊、高斯噪声、锐化、颜色抖动和弹性变换。
在一些实施例中，可以首先确定每个目标处理类型对应的目标权重；然后根据目标掩码和目标权重对待定样本图像进行至少一种目标处理类型的区域伪造处理，得到区域伪造样本图像。其中，目标权重可以是随机确定的。其中，该目标权重也可以称为触发概率。
在另一些实施例中，可以首先确定每个目标处理类型对应的随机参数和触发概率，并根据随机参数和触发概率对待定样本图像进行至少一种目标处理类型的区域伪造处理得到整体伪造图像；还可以根据目标掩码确定目标区域；然后根据待定样本图像、目标区域和整体伪造图像，获取区域伪造样本图像。
在另外一些实施例中，根据目标区域掩码对待定样本图像进行区域伪造处理，并得到区域伪造样本图像的方式可以包括以下步骤：
首先，预先设定一个全局掩码，对全局掩码进行随机变换后得到目标区域掩码M，以及第二区域掩码1-M，根据目标图像和第二区域掩码(1-M)得到第二区域图像。
该第二区域图像可以是目标图像中第二区域掩码对应的第二区域的图像内容。
需要说明的是，对于掩码的设计，为了加速掩码生成速度，本实施例中预先设置了一个全局掩码，同时为了保证掩码的复杂多样性，对全局掩码进行了随机变换，该随机变换包括随机的膨胀、腐蚀和弹性变换，可以使得目标区域掩码具有更丰富的形状和尺寸。
其次，确定每个目标处理类型对应的随机参数和触发概率，并根据随机参数和触发概率对待定样本图像进行一种或多种目标处理类型的区域伪造处理得到整体伪造图像。
该目标处理类型可以包括图像压缩、高斯模糊、高斯噪声、锐化、颜色抖动和弹性变换中的一种或多种。
需要说明的是，上述步骤可以按照任意顺序串行执行，也可以并行执行，本公开对此不作限定。
最后、对第二区域图像和整体伪造图像进行叠加，得到区域伪造样本图像。
示例地，可以根据目标区域掩码M确定第一区域，将整体伪造图像中该第一区域对应的第一区域图像与第二区域图像进行合并，得到区域伪造样本图像。
需要说明的是，上述目标区域掩码可以是一个或多个，这样，通过上述方式，可以获取一个或多个区域伪造样本图像。
在上述S604步骤中，根据训练后的目标神经网络模型确定目标检测模型的方式可以包括多种，示例地：
在一些实施例中，可以将训练后的目标神经网络模型作为上述目标检测模型。
在另一些实施例中，可以将训练后的目标神经网络模型中的色彩解码器去除后，得到上述目标检测模型。
在上述S604步骤中，可以根据图像样本集和目标损失函数对目标神经网络模型进行有监督训练，将训练后的目标神经网络模型作为上述目标检测模型。
上述目标损失函数可以包括一个或多个损失函数，目标神经网络模型中不同的编码器或解码器可以使用不同的损失函数。
在一些实施例中，该目标损失函数可以包括交叉熵损失函数，该交叉熵损失函数可以用于确定上述色彩伪造样本图像和真实样本图像的二分类标签信息约束。示例地，在训练阶段，可以将图像样本集的真实样本图像和色彩伪造样本图像分别对应的标签作为约束条件，根据交叉熵损失函数进行反向传播，更新目标神经网络模型的模型参数。该交叉熵损失函数可以用于对目标神经网络模型的特征分类器、色彩编码器和噪声编码器进行约束，用于更新特征分类器、色彩编码器和噪声编码器的相关参数。
进一步地，该交叉熵损失函数可以为一个，也可以为多个，例如，上述特征分类器、色彩编码器和噪声编码器可以分别对应不同的交叉熵损失函数。
在另一些实施例中，该目标损失函数可以包括第一重构损失函数，该第一重构损失函数可以用于确定上述色彩伪造样本图像和真实样本图像之间的像素级约束。示例地，在训练阶段，可以将上述色彩伪造样本图像和真实样本图像之间的像素级差异作为约束条件，根据第一重构损失函数进行反向传播，更新目标神经网络模型的模型参数。该第一重构损失函数可以用于对目标神经网络模型的色彩编码器和色彩解码器进行约束，用于更新色彩编码器和色彩解码器的相关参数。
在另外一些实施例中，该目标损失函数可以包括感知损失函数，该感知损失函数可以用于确定上述色彩伪造样本图像和真实样本图像之间的特征级约束。示例地，在训练阶段，可以将上述色彩伪造样本图像和真实样本图像之间的特征级差异作为约束条件，根据感知损失函数进行反向传播，更新目标神经网络模型的模型参数。该感知损失函数可以用于对目标神经网络模型的色彩编码器和色彩解码器进行约束，用于更新色彩编码器和色彩解码器的相关参数。
在又一些实施例中，该目标损失函数可以包括对抗损失函数，该对抗损失函数可以使用对抗生成网络，引入判别器对图像判别约束，提升生成的色彩伪造样本图像的质量。示例地，在训练阶段，使用对抗生成网络，引入判别器对图像判别约束，更新目标神经网络模型的模型参数，从而提升生成的色彩伪造样本图像的质量。该对抗损失函数可以用于对目标神经网络模型的色彩编码器和色彩解码器进行约束，从而用于更新色彩编码器和色彩解码器的相关参数。
在又一些实施例中，上述目标损失函数可以包括第二重构损失函数，该第二重构损失函数可以用于确定预测伪造区域和用于生成伪造区域的目标区域掩码之间的像素级约束。示例地，在训练阶段，可以将上述预测伪造区域和用于生成伪造区域的目标区域掩码之间的像素级差异作为约束条件，根据第二重构损失函数进行反向传播，更新目标神经网络模型的模型参数。该第二重构损失函数可以用于对目标神经网络模型的噪声编码器和噪声解码器进行约束，用于更新噪声编码器和噪声解码器的相关参数。
这样，可以使用上述目标损失函数中的一种或多种，对目标神经网络模型进行训练，并更新目标神经网络模型的模型参数，优化目标神经网络模型的真伪检测性能。
图7是根据一示例性实施例示出的一种图像检测装置700的框图，如图7所示，该装置700可以包括：
获取模块701，用于获取待检测的目标图像；
检测模块702，用于将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果；其中，所述目标检测模型用于获取所述目标图像对应的目标色彩特征和目标噪声特征，并根据所述目标色彩特征和所述目标噪声特征对所述目标图像进行真伪检测，得到所述目标真伪检测结果。
在一些实施例中，所述目标检测模型包括色彩编码器、噪声提取器、噪声编码器和特征分类器；所述检测模块702，用于：
将所述目标图像输入所述色彩编码器，得到所述目标图像对应的目标色彩特征和至少一个中间层特征图；
通过所述噪声提取器按照预设特征提取策略对所述目标图像进行噪声提取，得到所述目标图像对应的待定图像，并通过所述噪声提取器按照所述预设特征提取策略对所述中间层特征图进行噪声提取，得到所述中间层特征图对应的第一待定特征图；
将所述待定图像和所述第一待定特征图输入所述噪声编码器，得到所述目标图像对应的目标噪声特征；
将所述目标色彩特征和所述目标噪声特征输入所述特征分类器，得到所述目标真伪检测结果。
在一些实施例中，所述检测模块702，用于通过以下步骤执行预设特征提取策略：
对待提取图像进行水平卷积计算，得到水平噪声特征图；
对所述待提取图像进行垂直卷积计算，得到垂直噪声特征图；
根据所述水平噪声特征图和所述垂直噪声特征图，获取待定噪声特征图；其中，所述待提取图像为所述中间层特征图或对所述目标图像进行灰度处理后得到的图像；在所述待提取图像为所述中间层特征图的情况下，所述待定噪声特征图包括所述第一待定特征图；在所述待提取图像为对所述目标图像进行灰度处理后得到的图像的情况下，所述待定噪声特征图包括所述目标图像对应的待定图像。
在一些实施例中，所述检测模块702，用于将所述水平噪声特征图和所述垂直噪声特征图叠加后得到叠加噪声特征图；对所述叠加噪声特征图进行归一化处理，得到所述待定噪声特征图。
在一些实施例中，所述目标检测模型还包括噪声解码器；所述检测模块702，还用于获取所述噪声编码器根据所述第一待定特征图输出的第二待定特征图；将所述目标噪声特征和所述第二待定特征图输入所述噪声解码器，得到所述目标图像对应的预测伪造区域。
图8是根据一示例性实施例示出的另一种图像检测装置的框图，如图8所示，该装置700还可以包括：
生成模块703，用于通过以下方式预先生成所述目标检测模型：
获取至少一个真实样本图像；
对所述真实样本图像进行色彩重建，得到色彩伪造样本图像；
根据所述真实样本图像和所述色彩伪造样本图像，确定图像样本集；
根据所述图像样本集对目标神经网络模型进行训练，根据训练后的目标神经网络模型确定所述目标检测模型。
在一些实施例中，所述目标神经网络模型还包括色彩解码器；所述生成模块，用于将所述真实样本图像输入所述色彩编码器，得到所述真实样本图像对应的样本色彩特征；将所述样本色彩特征输入所述色彩解码器，得到所述色彩伪造样本图像。
在一些实施例中，所述生成模块用于将训练后的目标神经网络模型作为所述目标检测模型；或者，将训练后的目标神经网络模型中的色彩解码器去除后，得到所述目标检测模型。
在一些实施例中，所述目标神经网络模型还包括噪声解码器；所述噪声解码器用于根据所述噪声编码器输出的目标噪声特征和第二待定特征图，预测得到样本图像对应的预测伪造区域。
在一些实施例中，所述生成模块用于根据目标区域掩码对待定样本图像进行区域伪造处理，得到区域伪造样本图像；其中，所述待定样本图像包括所述真实样本图像和/或所述色彩伪造样本图像，所述目标区域掩码为随机生成的区域掩码；根据所述真实样本图像、所述色彩伪造样本图像和所述区域伪造样本图像，确定所述图像样本集。
在一些实施例中，所述目标图像为包括人脸的图像，所述目标真伪检测结果用于表征所述人脸是否被篡改。
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。
下面参考图9，其示出了适于用来实现本公开实施例的电子设备2000(例如终端设备或服务器)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。本公开实施例中的服务器可以包括但不限于诸如本地服务器、云服务器、单个服务器、分布式服务器等。图9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9所示，电子设备2000可以包括处理装置(例如中央处理器、图形处理器等)2001，其可以根据存储在只读存储器(ROM)2002中的程序或者从存储装置2008加载到随机访问存储器(RAM)2003中的程序而执行各种适当的动作和处理。在RAM2003中，还存储有电子设备2000操作所需的各种程序和数据。处理装置2001、ROM2002以及RAM2003通过总线2004彼此相连。输入/输出(I/O)接口2005也连接至总线2004。
通常，以下装置可以连接至输入/输出接口2005：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2006；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置2007；包括例如磁带、硬盘等的存储装置2008；以及通信装置2009。通信装置2009可以允许电子设备2000与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备2000，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2009从网络上被下载和安装，或者从存储装置2008被安装，或者从ROM2002被安装。在该计算机程序被处理装置2001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可以包括但不限于电、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(HyperTextTransferProtocol，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：获取待检测的目标图像；将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果；其中，所述目标检测模型用于获取所述目标图像对应的目标色彩特征和目标噪声特征，并根据所述目标色彩特征和所述目标噪声特征对所述目标图像进行真伪检测，得到所述目标真伪检测结果。
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“获取待检测的目标图像的模块”。
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，提供了一种图像检测方法，所述方法包括：
获取待检测的目标图像；
将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果；
其中，所述目标检测模型用于获取所述目标图像对应的目标色彩特征和目标噪声特征，并根据所述目标色彩特征和所述目标噪声特征对所述目标图像进行真伪检测，得到所述目标真伪检测结果。
根据本公开的一个或多个实施例，所述目标检测模型包括色彩编码器、噪声提取器、噪声编码器和特征分类器；所述将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果包括：
将所述目标图像输入所述色彩编码器，得到所述目标图像对应的目标色彩特征和至少一个中间层特征图；
通过所述噪声提取器按照预设特征提取策略对所述目标图像进行噪声提取，得到所述目标图像对应的待定图像，并通过所述噪声提取器按照所述预设特征提取策略对所述中间层特征图进行噪声提取，得到所述中间层特征图对应的第一待定特征图；
将所述待定图像和所述第一待定特征图输入所述噪声编码器，得到所述目标图像对应的目标噪声特征；
将所述目标色彩特征和所述目标噪声特征输入所述特征分类器，得到所述目标真伪检测结果。
根据本公开的一个或多个实施例，所述预设特征提取策略包括：
对待提取图像进行水平卷积计算，得到水平噪声特征图；
对所述待提取图像进行垂直卷积计算，得到垂直噪声特征图；
根据所述水平噪声特征图和所述垂直噪声特征图，获取待定噪声特征图；其中，所述待提取图像为所述中间层特征图或对所述目标图像进行灰度处理后得到的图像；在所述待提取图像为所述中间层特征图的情况下，所述待定噪声特征图包括所述第一待定特征图；在所述待提取图像为对所述目标图像进行灰度处理后得到的图像的情况下，所述待定噪声特征图包括所述目标图像对应的待定图像。
根据本公开的一个或多个实施例，所述根据所述水平噪声特征图和所述垂直噪声特征图，获取所述待定噪声特征图包括：
将所述水平噪声特征图和所述垂直噪声特征图叠加后得到叠加噪声特征图；
对所述叠加噪声特征图进行归一化处理，得到所述待定噪声特征图。
根据本公开的一个或多个实施例，所述目标检测模型还包括噪声解码器；所述方法还包括：
获取所述噪声编码器根据所述第一待定特征图输出的第二待定特征图；
将所述目标噪声特征和所述第二待定特征图输入所述噪声解码器，得到所述目标图像对应的预测伪造区域。
根据本公开的一个或多个实施例，所述目标检测模型通过以下方式预先生成：
获取至少一个真实样本图像；
对所述真实样本图像进行色彩重建，得到色彩伪造样本图像；
根据所述真实样本图像和所述色彩伪造样本图像，确定图像样本集；
根据所述图像样本集对目标神经网络模型进行训练，根据训练后的目标神经网络模型确定所述目标检测模型。
根据本公开的一个或多个实施例，所述目标神经网络模型还包括色彩解码器；所述对所述真实样本图像进行色彩重建，得到色彩伪造样本图像包括：
将所述真实样本图像输入所述色彩编码器，得到所述真实样本图像对应的样本色彩特征；
将所述样本色彩特征输入所述色彩解码器，得到所述色彩伪造样本图像。
根据本公开的一个或多个实施例，所述根据训练后的目标神经网络模型确定所述目标检测模型包括：
将训练后的目标神经网络模型作为所述目标检测模型；或者，
将训练后的目标神经网络模型中的色彩解码器去除后，得到所述目标检测模型。
根据本公开的一个或多个实施例，所述目标神经网络模型还包括噪声解码器；所述噪声解码器用于根据所述噪声编码器输出的目标噪声特征和第二待定特征图，预测得到样本图像对应的预测伪造区域。
根据本公开的一个或多个实施例，所述根据所述真实样本图像和所述色彩伪造样本图像，确定图像样本集包括：
根据目标区域掩码对待定样本图像进行区域伪造处理，得到区域伪造样本图像；其中，所述待定样本图像包括所述真实样本图像和/或所述色彩伪造样本图像，所述目标区域掩码为随机生成的区域掩码；
根据所述真实样本图像、所述色彩伪造样本图像和所述区域伪造样本图像，确定所述图像样本集。
根据本公开的一个或多个实施例，所述目标图像为包括人脸的图像，所述目标真伪检测结果用于表征所述人脸是否被篡改。
根据本公开的一个或多个实施例，提供了一种图像检测装置，所述装置包括：
获取模块，用于获取待检测的目标图像；
检测模块，用于将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果；其中，所述目标检测模型用于获取所述目标图像对应的目标色彩特征和目标噪声特征，并根据所述目标色彩特征和所述目标噪声特征对所述目标图像进行真伪检测，得到所述目标真伪检测结果。
根据本公开的一个或多个实施例，所述目标检测模型包括色彩编码器、噪声提取器、噪声编码器和特征分类器；所述检测模块，用于：
将所述目标图像输入所述色彩编码器，得到所述目标图像对应的目标色彩特征和至少一个中间层特征图；
通过所述噪声提取器按照预设特征提取策略对所述目标图像进行噪声提取，得到所述目标图像对应的待定图像，并通过所述噪声提取器按照所述预设特征提取策略对所述中间层特征图进行噪声提取，得到所述中间层特征图对应的第一待定特征图；
将所述待定图像和所述第一待定特征图输入所述噪声编码器，得到所述目标图像对应的目标噪声特征；
将所述目标色彩特征和所述目标噪声特征输入所述特征分类器，得到所述目标真伪检测结果。
根据本公开的一个或多个实施例，所述检测模块，用于通过以下步骤执行预设特征提取策略：
对待提取图像进行水平卷积计算，得到水平噪声特征图；
对所述待提取图像进行垂直卷积计算，得到垂直噪声特征图；
根据所述水平噪声特征图和所述垂直噪声特征图，获取待定噪声特征图；其中，所述待提取图像为所述中间层特征图或对所述目标图像进行灰度处理后得到的图像；在所述待提取图像为所述中间层特征图的情况下，所述待定噪声特征图包括所述第一待定特征图；在所述待提取图像为对所述目标图像进行灰度处理后得到的图像的情况下，所述待定噪声特征图包括所述目标图像对应的待定图像。
根据本公开的一个或多个实施例，所述检测模块，用于将所述水平噪声特征图和所述垂直噪声特征图叠加后得到叠加噪声特征图；对所述叠加噪声特征图进行归一化处理，得到所述待定噪声特征图。
根据本公开的一个或多个实施例，所述目标检测模型还包括噪声解码器；所述检测模块，还用于获取所述噪声编码器根据所述第一待定特征图输出的第二待定特征图；将所述目标噪声特征和所述第二待定特征图输入所述噪声解码器，得到所述目标图像对应的预测伪造区域。
根据本公开的一个或多个实施例，所述装置还包括生成模块，所述生成模块用于通过以下方式预先生成所述目标检测模型：
获取至少一个真实样本图像；
对所述真实样本图像进行色彩重建，得到色彩伪造样本图像；
根据所述真实样本图像和所述色彩伪造样本图像，确定图像样本集；
根据所述图像样本集对目标神经网络模型进行训练，根据训练后的目标神经网络模型确定所述目标检测模型。
根据本公开的一个或多个实施例，所述目标神经网络模型还包括色彩解码器；所述生成模块，用于将所述真实样本图像输入所述色彩编码器，得到所述真实样本图像对应的样本色彩特征；将所述样本色彩特征输入所述色彩解码器，得到所述色彩伪造样本图像。
根据本公开的一个或多个实施例，所述生成模块用于将训练后的目标神经网络模型作为所述目标检测模型；或者，将训练后的目标神经网络模型中的色彩解码器去除后，得到所述目标检测模型。
根据本公开的一个或多个实施例，所述目标神经网络模型还包括噪声解码器；所述噪声解码器用于根据所述噪声编码器输出的目标噪声特征和第二待定特征图，预测得到样本图像对应的预测伪造区域。
根据本公开的一个或多个实施例，所述生成模块用于根据目标区域掩码对待定样本图像进行区域伪造处理，得到区域伪造样本图像；其中，所述待定样本图像包括所述真实样本图像和/或所述色彩伪造样本图像，所述目标区域掩码为随机生成的区域掩码；根据所述真实样本图像、所述色彩伪造样本图像和所述区域伪造样本图像，确定所述图像样本集。
根据本公开的一个或多个实施例，所述目标图像为包括人脸的图像，所述目标真伪检测结果用于表征所述人脸是否被篡改。
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 (14)

1.一种图像检测方法，其特征在于，所述方法包括：
获取待检测的目标图像；
将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果；
其中，所述目标检测模型用于获取所述目标图像对应的目标色彩特征和目标噪声特征，并根据所述目标色彩特征和所述目标噪声特征对所述目标图像进行真伪检测，得到所述目标真伪检测结果。
2.根据权利要求1所述的方法，其特征在于，所述目标检测模型包括色彩编码器、噪声提取器、噪声编码器和特征分类器；所述将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果包括：
将所述目标图像输入所述色彩编码器，得到所述目标图像对应的目标色彩特征和至少一个中间层特征图；
通过所述噪声提取器按照预设特征提取策略对所述目标图像进行噪声提取，得到所述目标图像对应的待定图像，并通过所述噪声提取器按照所述预设特征提取策略对所述中间层特征图进行噪声提取，得到所述中间层特征图对应的第一待定特征图；
将所述待定图像和所述第一待定特征图输入所述噪声编码器，得到所述目标图像对应的目标噪声特征；
将所述目标色彩特征和所述目标噪声特征输入所述特征分类器，得到所述目标真伪检测结果。
3.根据权利要求2所述的方法，其特征在于，所述预设特征提取策略包括：
对待提取图像进行水平卷积计算，得到水平噪声特征图；
对所述待提取图像进行垂直卷积计算，得到垂直噪声特征图；
根据所述水平噪声特征图和所述垂直噪声特征图，获取待定噪声特征图；其中，所述待提取图像为所述中间层特征图或对所述目标图像进行灰度处理后得到的图像；在所述待提取图像为所述中间层特征图的情况下，所述待定噪声特征图包括所述第一待定特征图；在所述待提取图像为对所述目标图像进行灰度处理后得到的图像的情况下，所述待定噪声特征图包括所述目标图像对应的待定图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述水平噪声特征图和所述垂直噪声特征图，获取所述待定噪声特征图包括：
将所述水平噪声特征图和所述垂直噪声特征图叠加后得到叠加噪声特征图；
对所述叠加噪声特征图进行归一化处理，得到所述待定噪声特征图。
5.根据权利要求2所述的方法，其特征在于，所述目标检测模型还包括噪声解码器；所述方法还包括：
获取所述噪声编码器根据所述第一待定特征图输出的第二待定特征图；
将所述目标噪声特征和所述第二待定特征图输入所述噪声解码器，得到所述目标图像对应的预测伪造区域。
6.根据权利要求2所述的方法，其特征在于，所述目标检测模型通过以下方式预先生成：
获取至少一个真实样本图像；
对所述真实样本图像进行色彩重建，得到色彩伪造样本图像；
根据所述真实样本图像和所述色彩伪造样本图像，确定图像样本集；
根据所述图像样本集对目标神经网络模型进行训练，根据训练后的目标神经网络模型确定所述目标检测模型。
7.根据权利要求6所述的方法，其特征在于，所述目标神经网络模型还包括色彩解码器；所述对所述真实样本图像进行色彩重建，得到色彩伪造样本图像包括：
将所述真实样本图像输入所述色彩编码器，得到所述真实样本图像对应的样本色彩特征；
将所述样本色彩特征输入所述色彩解码器，得到所述色彩伪造样本图像。
8.根据权利要求7所述的方法，其特征在于，所述根据训练后的目标神经网络模型确定所述目标检测模型包括：
将训练后的目标神经网络模型作为所述目标检测模型；或者，
将训练后的目标神经网络模型中的色彩解码器去除后，得到所述目标检测模型。
9.根据权利要求6所述的方法，其特征在于，所述目标神经网络模型还包括噪声解码器；所述噪声解码器用于根据所述噪声编码器输出的目标噪声特征和第二待定特征图，预测得到样本图像对应的预测伪造区域。
10.根据权利要求6所述的方法，其特征在于，所述根据所述真实样本图像和所述色彩伪造样本图像，确定图像样本集包括：
根据目标区域掩码对待定样本图像进行区域伪造处理，得到区域伪造样本图像；其中，所述待定样本图像包括所述真实样本图像和/或所述色彩伪造样本图像，所述目标区域掩码为随机生成的区域掩码；
根据所述真实样本图像、所述色彩伪造样本图像和所述区域伪造样本图像，确定所述图像样本集。
11.根据权利要求1至10中任一项所述的方法，其特征在于，所述目标图像为包括人脸的图像，所述目标真伪检测结果用于表征所述人脸是否被篡改。
12.一种图像检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的目标图像；
检测模块，用于将所述目标图像输入预先生成的目标检测模型，得到所述目标图像对应的目标真伪检测结果；其中，所述目标检测模型用于获取所述目标图像对应的目标色彩特征和目标噪声特征，并根据所述目标色彩特征和所述目标噪声特征对所述目标图像进行真伪检测，得到所述目标真伪检测结果。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理装置执行时实现权利要求1至11中任一项所述方法的步骤。
14.一种电子设备，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至11中任一项所述方法的步骤。
CN202211035818.8A 2022-08-26 2022-08-26 图像检测方法、装置、可读介质及电子设备 Pending CN115346278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211035818.8A CN115346278A (zh) 2022-08-26 2022-08-26 图像检测方法、装置、可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211035818.8A CN115346278A (zh) 2022-08-26 2022-08-26 图像检测方法、装置、可读介质及电子设备

Publications (1)

Publication Number Publication Date
CN115346278A true CN115346278A (zh) 2022-11-15

Family

ID=83953523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211035818.8A Pending CN115346278A (zh) 2022-08-26 2022-08-26 图像检测方法、装置、可读介质及电子设备

Country Status (1)

Country Link
CN (1) CN115346278A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109914A (zh) * 2023-04-07 2023-05-12 平安银行股份有限公司 银行流水图像的鉴别真伪方法、装置、电子设备及介质
CN117611923A (zh) * 2024-01-08 2024-02-27 北京锐融天下科技股份有限公司 一种身份证件真伪识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109914A (zh) * 2023-04-07 2023-05-12 平安银行股份有限公司 银行流水图像的鉴别真伪方法、装置、电子设备及介质
CN117611923A (zh) * 2024-01-08 2024-02-27 北京锐融天下科技股份有限公司 一种身份证件真伪识别方法及系统

Similar Documents

Publication Publication Date Title
CN112766189B (zh) 深度伪造检测方法、装置、存储介质及电子设备
CN115346278A (zh) 图像检测方法、装置、可读介质及电子设备
CN112766284B (zh) 图像识别方法和装置、存储介质和电子设备
CN112381717A (zh) 图像处理方法、模型训练方法、装置、介质及设备
CN111767750A (zh) 图像处理方法和装置
CN111209856B (zh) 发票信息的识别方法、装置、电子设备及存储介质
CN112418249A (zh) 掩膜图像生成方法、装置、电子设备和计算机可读介质
CN112800276B (zh) 视频封面确定方法、装置、介质及设备
CN111310595A (zh) 用于生成信息的方法和装置
US20240037713A1 (en) System, devices and/or processes for image anti-aliasing
CN110852242A (zh) 基于多尺度网络的水印识别方法、装置、设备及存储介质
CN115375656A (zh) 息肉分割模型的训练方法、分割方法、装置、介质及设备
CN111783632B (zh) 针对视频流的人脸检测方法、装置、电子设备及存储介质
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN111369468B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN111369429B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN114399696A (zh) 一种目标检测方法、装置、存储介质及电子设备
CN114429602A (zh) 语义分割方法、装置、电子设备及存储介质
CN115294662A (zh) 图像检测方法、装置、可读介质及电子设备
CN111784710B (zh) 图像处理方法、装置、电子设备和介质
US20240177277A1 (en) System, devices and/or processes for application of an intensity derivative for temporal image stability
CN117217294A (zh) 一种模型的训练方法、图像处理方法、装置、介质及设备
CN116188254A (zh) 基于傅里叶域的超分图像处理方法、装置、设备及介质
CN116188255A (zh) 基于gan网络的超分图像处理方法、装置、设备及介质
CN115937864A (zh) 文本重叠检测方法、装置、介质和电子设备

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