[發明專利]一種基于對抗網絡的圖像設計作品抄襲檢測方法

在審

• 申請號: 202010620515.7
• 申請日: 2020-06-30
• 公開（公告）號: CN111753919A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 楊濱;丘曉琳
• 申請（專利權）人: 江南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 田凌濤

本發明涉及一種基于對抗網絡的圖像設計作品抄襲檢測方法，針對現有圖像設計作品篡改樣本缺乏，導致傳統深層神經網絡訓練難以實現的問題，設計采用全新邏輯策略，針對生成網絡根據原始抄襲圖像所生成的模型篡改蒙版圖像，結合人工標記的篡改蒙版圖像，應用判別網絡判斷哪個蒙版圖像是人工標記的，由此基于判斷結果正確與否所表征生成網絡與判別網絡的準確性，執行相應的反饋訓練操作，不斷提高兩者網絡的準確性，如此即通過不斷的對抗迭代，使兩者網路準確性達到最終的平衡狀態，所獲生成網絡即為圖像檢測模型，具備優越的作品抄襲識別性能，應用圖像檢測模型即可獲得待判別圖像的篡改蒙版圖像，高效實現了圖像設計作品的篡改檢測。

技術領域

本發明涉及一種基于對抗網絡的圖像設計作品抄襲檢測方法，屬于圖像作品篡改檢測技術領域。

背景技術

設計作品抄襲檢測與認定一直是一個設計界和學術界不可回避的問題，抄襲鑒定就是對作品之間存在雷同性的檢測和雷同內容的確定。從抄襲的形式看，有原封不動或者基本原封不動地復制他人作品的行為，也有經改頭換面后將他人受著作權保護的獨創成份竊為己有的行為。平面設計作品的知識產權主要體現在圖像色彩運用、構圖及其表現的藝術性。但是當前設計作品的抄襲界定方法主要停留在人工鑒定階段，費時費力，而且主觀性大，容易引起糾紛。

數字圖像取證技術作為對數字圖像篡改、偽造等進行分析、鑒別和確認的一種重要手段，近年得到迅速發展。針對低級抄襲可以用以為數字圖像拼接取證技術解決。設計界也開始嘗試通過圖像低層特征相似性計算對設計作品進行抄襲檢測。盡管數字圖像取證技術在多個領域中取得了顯著成果，但是針對平面設計作品的抄襲檢測領域，卻鮮有學者涉及。這是由于作品高級抄襲一般較少直接從原圖中拷貝，或者拷貝后常經過藝術化處理以隱藏抄襲痕跡。而且，設計作品抄襲往往是高度借鑒別人的設計思路(如：版式、形態、創意概念等)，也常使用臨摹手繪等方式進行。這使得抄襲作品間的相似性難以確切描述，因此也較難生成量化指標。因此設計作品的高級抄襲判定需要從更高的認知層面出發，而此時，大多數圖像取證方法將難以判斷這種類型的抄襲。

尺度不變特征變換(SIFT)對篡改區域的旋轉及亮度變化等攻擊具有較好的魯棒性，對視角變化、仿射變換以及噪聲也保持一定穩定性。Amerini等人首次提出基于SIFT的復制粘貼取證方法，隨后大量基于圖像特征點的取證方案相繼被提出，其中較為成功的特征包括SURF特征、Markov特征、DAISY特征等。近年來，不少學者提出用深度神經網絡模型去解決圖像克隆/拼接檢測問題。然而，深度神經網絡一般是擅長學習圖像內容特征，而不是篡改特征。為了克服這一問題，Bayar和Stamm提出了一種新的卷積層形式，該卷積層專門用于抑制圖像的內容并自適應地學習篡改特征，濾波作為一種常用的去噪和圖像增強工具，在模糊降噪領域得到了廣泛的應用。而重采樣則是篡改圖像另一個重要特征。Bunk等人提出了基于重采樣特征和深度學習相結合的圖像取證和定位方法,他們在重疊的圖像塊上計算重采樣特征的Radon變換，然后應用長短期記憶(LSTM)網絡進行分類和定位。Liu等人提出了一種基于分段的關鍵點分布策略來生成均勻分布的關鍵點，然后使用CNN對可疑圖像進行復制粘貼取證。此外，現有技術還針對CNN進行了一些針對性設計，諸如提出應用空間豐富模型(SRM)中的30個高通濾波器來初始化網絡第一層，實現有效抑制復雜圖像內容的影響，加速網絡的收斂。不僅如此，現有技術還設計了一種不同的深度網絡結構，其中包括多尺度特征分析和層次特征匹配，以更好地適應不同的場景，然而CNN特征雖然相比于傳統特征更具表示性，但仍然難以避免特征單一、語義信息相關性差等問題。而且在監督學習中，訓練集需要大量的人工標記數據，這個過程成本高且效率低。因此，現有技術還提出使用生成對抗網絡(Generative Adversarial Network,GAN)進行圖像高層語義理解，并取得優秀的圖像相似性計算結果。但是現有基于GAN的圖像相似性計算方法大多針對于圖像檢索、目標跟蹤、圖像生成等領域。對于圖像設計作品而言，由于樣本較少的限制，因此現有技術還無法實現圖像設計作品抄襲的檢測。

發明內容