[發明專利]圖像篡改識別模型訓練方法、圖像篡改識別方法及裝置

有效

• 申請號: 202010174738.5
• 申請日: 2020-03-13
• 公開（公告）號: CN111368342B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 謝暢;錢浩然;王恒;袁皓
• 申請（專利權）人: 眾安信息技術服務有限公司
• 主分類號: G06F21/64
• 分類號: G06F21/64;G06K9/62;G06V10/774;G06V10/764;G06V10/56;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 張慧娟

1.一種圖像篡改識別模型訓練方法，其特征在于，所述方法包括：

獲取訓練圖像集以及所述訓練圖像集中每個訓練圖像的標簽，其中，在所述訓練圖像為篡改圖像時，所述訓練圖像的標簽包括篡改位置信息和篡改類型；

以所述訓練圖像作為輸入，通過待訓練的圖像篡改識別模型的特征提取網絡層提取所述訓練圖像的RGB特征、紋理特征以及隱寫特征；

將所述訓練圖像的RGB特征、紋理特征以及隱寫特征輸入到所述圖像篡改識別模型的檢測網絡層中，獲取所述訓練圖像的篡改識別結果，包括通過深度學習網絡層提取所述RGB特征對應的目標深度特征、以及所述紋理特征與所述隱寫特征對應的篡改特征，通過特征融合層對所述目標深度特征和所述篡改特征進行融合，得到融合特征，通過輸出層對所述融合特征進行篡改識別，輸出所述訓練圖像的篡改識別結果，其中所述圖像篡改識別模型的檢測網絡層包括深度學習網絡層、特征融合層以及輸出層；

對所述篡改識別結果與所述標簽進行差異比較，根據差異比較結果優化所述圖像篡改識別模型的參數并繼續訓練，直至滿足預定條件時結束訓練。

2.根據權利要求1所述的方法，其特征在于，所述訓練圖像集中包括數字圖像篡改樣本，所述數字圖像篡改樣本通過如下方式獲取得到：

獲取多對圖像樣本，其中，每對圖像樣本中包括原始圖像以及從所述原始圖像中隨機提取的并經灰度處理后的圖像塊；

通過深度卷積生成對抗網絡對所述多對圖像樣本進行訓練，生成用于自動補充圖像的圖像補全模型；

隨機選取所述原始圖像中的區域并進行掩碼；

采用所述圖像補全模型對掩碼后的所述區域進行補全，獲得所述數字圖像篡改樣本。

3.根據權利要求1所述的方法，其特征在于，所述以所述訓練圖像作為輸入，通過待訓練的圖像篡改識別模型的特征提取網絡層提取所述訓練圖像的RGB特征、紋理特征以及隱寫特征，包括：

通過所述特征提取網絡層中預設的RGB通道提取所述訓練圖像的RGB特征；

通過所述特征提取網絡層中預設的多個卷積核對所述訓練圖像進行卷積，得到所述訓練圖像的紋理特征，所述多個卷積核是通過對多個紋理特征算子以及所述多個紋理特征算子的轉置進行兩兩相乘得到的多個矩陣，其中所述多個紋理特征算子包括：

L5＝[1,4,6,4,1]；E5＝[-1,-2,0,2,1]；S5＝[-1,0,2,0,-1]；W5＝[-1,2,0,-2,1]；R5＝[1,-4,6,-4,1]；

通過所述特征提取網絡層中預設的多個隱寫特征算子對所述訓練圖像進行卷積，得到所述訓練圖像的隱寫特征，其中多個隱寫特征算子包括：

4.根據權利要求1所述的方法，其特征在于，所述深度學習網絡層中包括兩個并行的Darknet神經網絡，其中一個Darknet神經網絡用于對所述RGB特征進行深度學習得到所述目標深度特征，另外一個Darknet神經網絡用于對所述紋理特征與所述隱寫特征進行深度學習得到所述篡改特征。

5.根據權利要求1所述的方法，其特征在于，所述輸出層包括YOLOv3網絡。

6.一種圖像篡改識別方法，其特征在于，所述方法包括：

獲取待識別圖像；

將所述待識別圖像輸入到訓練好的圖像篡改識別模型中進行篡改識別，得到所述待識別圖像的篡改識別結果，所述篡改識別結果包括在所述待識別圖像為篡改圖像時所對應的篡改位置信息和篡改類型；

其中，所述訓練好的圖像篡改識別模型基于如權利要求1至5任一所述的方法訓練得到。