[发明专利]一种图像真伪鉴别方法

权利要求书

1.一种图像真伪鉴别方法，包括下列步骤：

第一步，图像显著性处理

（1）将原始图像通过SLIC算法进行分割得到超像素，通过计算每个超像素与边缘超像素之间的对比度，得到基于背景的显著图像；

（2）根据像素阈值对原始图像进行分割来选择前景，通过计算原始图像与前景之间的相似度得到基于前景的显著图像；融合基于前景和背景的显著图像，使用高斯滤波器进行平滑处理，得到局部特征显著图像；

（3）通过RGB、CIELab以及LBP三种特征分别计算局部特征显著图像的不同显著区域对应的欧式距离，得到每个区域的显著性值，融合后，得到像素水平的显著性图像；

第二步，采用引导滤波对图像纹理进行增强处理

（1）将原始图像通过局部线性模型的二维滑动窗口，形成原始图像和纹理增强图像间的线性关系式；

（2）根据原始图像和纹理增强图像中的梯度相似性，对形成的线性关系式进行双边求导，获得纹理增强图像和原始图像之间的最小差异关系；

（3）为满足最小差异关系，使用最小二乘法，利用原始图像的平均像素值和方差，分别求得线性关系中斜率和偏置数的最优解，获得纹理增强图像；

第三步，训练真假人脸图像鉴别网络

（1）构建带有标签的真假数据集：分别在经过引导滤波的真假人脸数据集中选取等量的真实人脸图像和伪造人脸图像按照一定比例分别将两种数据集分为训练集、验证集和测试集，将训练集和测试集中的真假人脸图像打标签，真实人脸图像为1，伪造人脸图像为0；

（2）将所构建的带有标签的真假数据集视为全图数据集，生成相对应的人脸数据集：将按照比例分配好的训练集、验证集和测试集经过opencv中的dlib模块对所有图像进行人脸识别并且裁剪出只包含有人脸区域的图像，并且经过resize函数将人脸区域图像放大为和原图保持尺寸一致，形成额外的相同数量的人脸数据集；

（3）训练Resnet18真假鉴别网络：网络训练时，分别将人全图数据集和人脸数据集作为数据集进行训练，训练过程互不干扰，设定训练迭代次数和batchsize，每次迭代后由验证集评估模型的学习效果，修正模型参数，每层网络层使用ReLU激活函数，在网络最后使用交叉熵函数作为真假二分类任务的损失函数，同时使用随机梯度下降法对损失函数进行优化，最终输出每个batch中的分类准确率分数，分别保存全图数据集训练和人脸数据集训练的最佳模型；

（4）测试集测试网络分类效果：全图数据集和人脸数据集作为数据集分别训练完成后，将最佳模型加载到测试网络中，测试网络设置的同样batchsize，将各自的测试集输入测试网络中，预测每个batch中每张图像的真假，同时结合既定真假标签，得出每个batch的分类准确率分数，评估训练模型的性能。