[發(fā)明專利]一種基于Mask R-CNN圖像篡改檢測方法

有效

• 申請?zhí)枺?/td>: 202010122303.6
• 申請日: 2020-02-25
• 公開（公告）號: CN111340784B
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計）人: 徐超;宣錦昭;馮博;閃文章
• 申請（專利權(quán)）人: 安徽大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/00;G06V10/764;G06V10/82
• 代理公司: 北京睿智保誠專利代理事務(wù)所(普通合伙) 11732
• 代理人: 周新楣

本發(fā)明公開了一種基于改進(jìn)的Mask?R?CNN圖像篡改檢測方法，屬于圖像識別技術(shù)領(lǐng)域，包括以下步驟：基于Mask?R?CNN構(gòu)建圖像篡改檢測網(wǎng)絡(luò)；圖像篡改檢測網(wǎng)絡(luò)包括主分支網(wǎng)絡(luò)、噪聲分支網(wǎng)絡(luò)、Resnet?FPN骨干網(wǎng)絡(luò)、區(qū)域提議網(wǎng)絡(luò)RPN和雙線性池化ROI?Align網(wǎng)絡(luò)；將篡改圖像輸入圖像篡改檢測網(wǎng)絡(luò)對輸入的圖像分類特征、噪聲特征和篡改候選區(qū)域特征進(jìn)行特征合并，并輸出篡改圖像的分類、篡改區(qū)域定位和圖像分割結(jié)果；用數(shù)據(jù)集對圖像篡改檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測試；通過訓(xùn)練后的圖像篡改檢測網(wǎng)絡(luò)，得到篡改圖像的分類、篡改區(qū)域定位和圖像分割掩碼預(yù)測。本發(fā)明通過基于Mask?R?CNN的圖像篡改檢測網(wǎng)絡(luò)，進(jìn)行篡改圖像的分類、篡改區(qū)域定位和分割操縱區(qū)域，實(shí)現(xiàn)了對篡改圖像像素級的預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，尤其涉及一種基于Mask?R-CNN圖像篡改檢測方法。

背景技術(shù)

隨著高分辨率數(shù)碼相機(jī)和功能強(qiáng)大的數(shù)字圖像處理軟件的普遍采用使得篡改圖片變得更加真實(shí)。由于數(shù)字圖像容易篡改引發(fā)了一系列的虛假圖像事件問題，如篡改者有目的地篡改圖像，用于司法取證，新聞報道，醫(yī)學(xué)鑒定時，其引發(fā)的問題會造成不可估量的損失。圖像拼接是圖像偽造的最常見類型之一。它通過找出兩幅具有標(biāo)志特征的像素點(diǎn)，并利用相應(yīng)的技術(shù)手段將一副圖像中的特征像素逐漸變?yōu)榱硪粋€圖像中的特征像素。

現(xiàn)有的篡改檢測方法只能推斷出給定的圖像是否偽造，但是不能同時定位拼接區(qū)域和分割掩碼(mask)區(qū)域。

因此，急需一種能夠判斷是圖像否偽造，同時能夠給出拼接區(qū)域和分割掩碼的圖像篡改檢測方法。

發(fā)明內(nèi)容

本發(fā)明目的在于提供一種能夠判斷圖像是否偽造，同時能夠給出拼接區(qū)域和分割掩碼的圖像篡改檢測方法，發(fā)明的內(nèi)容如下：

一種基于Mask?R-CNN圖像篡改檢測方法，包括以下步驟：

S10、基于Mask?R-CNN構(gòu)建圖像篡改檢測網(wǎng)絡(luò)，所述圖像篡改檢測網(wǎng)絡(luò)包括主分支網(wǎng)絡(luò)、噪聲分支網(wǎng)絡(luò)、Resnet-FPN骨干網(wǎng)絡(luò)、RPN區(qū)域提議網(wǎng)絡(luò)和ROI?Align雙線性池化網(wǎng)絡(luò)；

S20、將所述篡改圖像輸入所述主分支網(wǎng)絡(luò)；所述主分支網(wǎng)絡(luò)提取篡改圖像特征并輸入所述Resnet-FPN骨干網(wǎng)絡(luò)；

S30、輸入所述主分支網(wǎng)絡(luò)的所述篡改圖像經(jīng)過SRM濾波層提取篡改圖像的局部噪聲特征；將所述局部噪聲特征輸入所述噪聲分支網(wǎng)絡(luò)；

S40、所述噪聲分支網(wǎng)絡(luò)識別所述篡改圖像局部噪聲特征和噪聲分類特征，并輸入到所述Resnet-FPN骨干網(wǎng)絡(luò)；

S50、根據(jù)輸入的所述篡改圖像特征、所述局部噪聲特征和所述噪聲分類特征通過所述Resnet-FPN骨干網(wǎng)絡(luò)的FPN產(chǎn)生圖像特征金字塔；

所述圖像特征金字塔包括邊界特征金字塔、圖像分類特征金字塔和圖像噪聲特征金字塔；

S60、將所述圖像分類特征金字塔和圖像噪聲特征金字塔輸入所述ROI?Align雙線性池化網(wǎng)絡(luò)；

S70、所述邊界特征金字塔輸入所述RPN區(qū)域提議網(wǎng)絡(luò)產(chǎn)生圖像篡改候選區(qū)域特征，并輸入所述ROI?Align雙線性池化網(wǎng)絡(luò)；

S80、所述ROI?Align雙線性池化網(wǎng)絡(luò)對輸入的所述圖像分類特征、圖像噪聲特征和所述圖像篡改候選區(qū)域特征進(jìn)行特征合并，并輸出所述篡改圖像的分類、篡改區(qū)域定位和圖像分割結(jié)果；

S90、使用數(shù)據(jù)集對圖像篡改檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測試；所述數(shù)據(jù)集為基于PASCAL?VOC數(shù)據(jù)集合成創(chuàng)建了新的篡改數(shù)據(jù)集(PASCAL?VOC-TP)；所述新的篡改數(shù)據(jù)集(PASCAL?VOC-TP)包括篡改圖像、篡改區(qū)域坐標(biāo)值和篡改區(qū)域的掩碼值；