[发明专利]基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测方法

说明书

本发明公开了一种基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测方法，包括如下步骤：1：对输入图像进行人脸区域提取，将人脸区域重采样为固定尺寸并划分为不重叠的图像块；2：对每个图像块进行预处理操作提取颜色及纹理分量；3：将每个图像块提取的颜色及纹理分量输入完成训练的双通道卷积神经网络得到高维特征表达；4：将步骤3所得所有图像块的高维特征表达作为空间循环神经网络的输入获得网络的输出分数；将输出分数与预设阈值进行比较，判断输入图像是否为人脸融合图像。本方法有效提升了在训练样本数量有限以及图像采集环境复杂情况下的检测性能，增强了对恶意后处理操作的鲁棒性。

技术领域

本发明涉及图像篡改检测方法技术领域，具体地，涉及一种基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测算法。

背景技术

随着生物信息技术的发展，基于生物信息识别的应用已经广泛存在于人们的日常生活当中，例如交易支付和身份认证等。其中，基于人脸信息的识别技术因其具有采集速度快，无需接触采集设备等优点获得越来越多的应用。然而，现有的数字图像处理技术已经能够将来自两个用户的人脸图像进行融合(face morphing)，得到一张与两个用户相似度极高的图片。如图1所示，经过人脸融合技术生成的图片往往具有较高的视觉质量。人脸融合技术一般包括人脸关键点检测，关键点融合以及图像后处理等步骤。现已有多款人脸融合商用软件，例如Abrosoft FantaMorph。如果人脸融合图片被用于违法用途将对社会造成巨大的经济损失和安全隐患。例如，利用人脸融合图片申请电子护照使两个用户可以共用同一个电子护照等违法行为。因此，准确判断人脸图片是否经历过融合操作具有重要的实际应用价值。人脸融合图片技术作为一种常见的篡改手段已经受到了国内外学者的重视。

现有的人脸融合图片检测手段大致分为基于手工特征和基于神经网络两个方面。基于手工特征的检测手段一般需要根据人脸融合图片异常的颜色和纹理特性设计分类特征，将分类特征结合分类器完成检测。然而，人脸图片的采集环境往往具有很强的多样性，包括不同的光照强度和采集分辨率等因素。这使得基于手工特征的检测算法对复杂环境下采集的人脸图片生成的融合图片无法提供可靠检测。本发明所采用的是基于神经网络的检测算法，此类方法从训练样本中自动学习人脸融合图片的异常模式进行检测。由于人脸融合属于图像篡改的一种特殊形式，在目前公开发表的专利中，有下列专利与本发明方法具有一定相似性；公开号为CN108510483A，题为《一种采用VLAD编码和SVM的计算生成彩色图像篡改检测方法》的专利采用ResNet网络生成颜色特征，再对特征进行VLAD编码，最后利用SVM分类器判断图像是否经历篡改操作，此方法对于复杂采集环境下人脸融合图片的检测性能不佳，并且没有考虑恶意后处理操作带来的影响。而本发明方法结合颜色纹理双通道卷积神经网络和空间循环神经网络对人脸融合图片的局部和全局异常模式进行建模，能够有效提升对复杂采集环境下人脸融合图片的检测性能，并对恶意后处理操作具有良好的鲁棒性。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测方法。

一种基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测方法，包括如下步骤：

步骤1：对输入图像进行人脸区域提取。将人脸区域重采样为固定尺寸并划分为不重叠的图像块；

步骤2：对每个图像块进行预处理操作提取颜色及纹理分量；

步骤3：将每个图像块提取的颜色及纹理分量输入完成训练的双通道卷积神经网络得到高维特征表达；

步骤4：将所有图像块的高维特征表达作为空间循环神经网络的输入获得网络的输出分数。将输出分数与预设阈值进行比较，判断输入图像是否为人脸融合图像。

优选的，步骤1包括如下步骤：