[发明专利]一种基于生成对抗网络的copy-move伪造检测方法

说明书

本发明涉一种基于生成对抗网络的copy‑move伪造检测方法，包括以下步骤：1)获取成对的数据集；2)生成对抗网络模型；3)损失函数的优化；4)调整对抗网络模型的参数。本发明基于GAN，定位图像copy‑move伪造中的相似区域，可以有效识别出图像中copy‑move的来源区域和目标区域。在训练好条件生成对抗网络后，该模型可有效检测图像的copy‑move伪造区域，检测速度相对于传统方法大大提高，具有较高的实用价值。

技术领域

本发明属于信息安全领域，涉及一种基于生成对抗网络的copy-move伪造检测方法。

背景技术

数码相机的快速发展大大增加了世界各地数字图像的数量，而数字图像在取证调查、新闻报道等领域发挥着重要作用，图像的真实性是我们相信图片所传达的信息的基本要求。然而，随着数字图像处理软件的发展，修改数字图像越来越简单，造成眼见不一定为实的局面，如Photoshop、美图秀秀等。Copy-Move图像伪造是目前最简单、最常用的一种图像修改方法，通过复制或掩盖同幅图像中的特定对象，来误导大众。因其操作非常简单，所以即使是普通大众，也可以很轻易的修改图像。生活中使用copy-move来伪造图像的例子数不胜数，如首届华赛摄影金奖作品造假，伊朗成功发射导弹的新闻造假等，在数字图像真实性被破坏的同时，也产生了恶劣的社会影响。因此，图像伪造检测与定位在数字取证领域具有重要意义，理应受到更多的关注。

传统的copy-move伪造检测主要由以下四个主要步骤组成，分别是图像预处理、特征提取、特征匹配和后处理。传统方法可分为基于块检测和基于关键点检测，在此基础上又针对不同的伪造方式提出了对应的检测方法，但是在事先不知道采用了哪种伪造方式的情况下，无法选择合适的伪造定位方法。传统方法在特征匹配阶段计算代价较高，且传统手工特征的识别能力和对特定转换的不变性还不够好，限制检测性能。

发明内容

为解决上述背景技术中存在的问题，本发明提出一种基于生成对抗网络的copy-move伪造检测方法，其利用已经训练好的条件生成对抗网络(cGANs,conditionalGenerative Adversarial Networks)定位出伪造图像中的相似区域，利用条件生成对抗网络的相互博弈最终达到平衡的过程，准确建立输入与输出的对应关系。

本发明解决上述问题的技术方案是：一种基于条件生成对抗网络的copy-move伪造检测方法，其特殊之处在于，包括以下步骤：

1)获取大量的成对数据集；

2)生成对抗网络模型；

3)损失函数的优化；

4)调整对抗网络模型的参数。

优先地，所述步骤1)获取成对的数据集，具体为：

在训练条件生成对抗网络过程中需要大量成对的训练集，数据集为copy-move伪造图像及其对应的ground truth图像对，数据集又被分为：训练集、验证集和测试集。

优先地，所述步骤2)生成对抗网络模型，具体为：

本发明基于条件生成对抗网络，其中生成网络为U-net结构，是在普通的encoder-decoder结构的基础上增加跳线连接。该网络的输入经过几层下采样之后到达瓶颈层(bottleneck layer)，然后逆转之前的下采样过程，进行对应层数的上采样，使得生成网络的输入与输出具有同等大小，需要注意的是，在进行上采样的过程中，该网络将第i层和第n-i层的特征层连接在一起作为第i+1层的输入，其中，n是生成网络的总层数。判别网络是由普通的几卷积层、池化层和激活层组成的结构，输出对输入图像对的评价，一个true或者false的矢量。

优先地，所述步骤3)损失函数的优化，具体为：